Рынок заведений общественного питания Москвы.

Цель исследования:

1. Проанализировать рынок заведений общественного питания Москвы:

1.1. Выявить особенности и закономерности

1.2. Сделать выводы и презентовать полученные результаты

1. На основании ислледования дать рекомендации по открытию заведения общественного питания в Москве

Ход исследования :

1. Загрузка и изучение общей информации

1.1. Изучение общей информации и датасете

1.2. Изучение содержимого по столбцам

1.2.1. Количество представленных заведений

1.2.2. Количество и список уникальных значений категорий заведений

1.2.3. Изучение информации о днях и часах работы заведений

1.2.4. Изучение информации о рейтингах заведений

1.2.5. Изучение категорий цен в заведениях

1.2.6. Изучение данных столбца chain

1.2.7. Количество и список уникальных значений административных районов, в которых находятся заведения

1.2.8. Изучение данных о количестве посадочных мест в заведениях

1.3. Вывод по разделу

2. Предобработка данных

2.1. Добавление новых столбцов

2.1.1. Создание стлбца со средней стоимостью бокала пива

2.1.2. Создание столбца с названием улиц

2.1.3. Создание столбца с индикатором круглосуточности заведения

2.2. Изменение типов данных

2.3. Проверка данных на дубликаты

2.4. Проверка данных на пропуски

2.5. Заполнение и удаление пропусков

2.6. Вывод по разделу

3. Анализ данных

3.1. Изучение данных в разрезе категорий

3.2. Изучение данных в разрезе количества посадочных мест

3.3. Изучение данных в разрезе сетевых и несетевых заведений

3.3.1. Какие категории заведений чаще являются сетевыми?

3.4. Топ-15 популярных сетей в Москве

3.5. Изучение данных в разрезе административныз районов

3.6. Изучение данных в разрезе рейтингов

3.6.1. Фоновая картограмма (хороплет) со средним рейтингом заведений каждого района

3.7. Отобразить все заведения датасета на карте

3.8. Найти топ-15 улиц по количеству заведений

3.9. Найти улицы, на которых находится только один объект общепита

3.10. Как удалённость от центра влияет на цены в заведениях?

3.11. Вывод по разделу

4. Детализация исследование: открытие кофейни

4.1. Сколько всего кофеен в датасете?

4.2. В каких районах их больше всего, каковы особенности их расположения?

4.3. Есть ли круглосуточные кофейни?

4.4. Какие у кофеен рейтинги?

4.5. Как рейтинги распределяются по районам?

4.6. На какую стоимость чашки капучино стоит ориентироваться при открытии и почему?

4.7. Вывод по разделу

5. Презентация

6. Общий вывод по исследованию

Загрузка и изучение общей информации

К содержанию

Импорт будлиотек, настроек и функций

from scipy import stats as st
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import datetime as dt
import seaborn as sns
import math as mth
import plotly.express as px
from plotly import graph_objects as go
from plotly.subplots import make_subplots
import re
import json
from folium import Map, Choropleth, Marker
from folium.plugins import MarkerCluster
from folium.features import CustomIcon

def load(df):
        print ('Первые 10 строк таблицы:')
        print ()
        display (df.head(10))
        print ()
        print ('Иноформация о таблице:')
        print ()
        display (df.info())
        print ()
        print ('Количество дубликатов в таблице:')
        print ()
        display (df.duplicated().sum())
        print ()
        print ('Количество пропусков в таблице:')
        print ()
        display (df.isna().sum())
        print ()
        print ('Процентное соотношение пропусков к общему числу значений для каждого столбца')
        print ()
        display (pd.DataFrame(round(df.isna().mean()*100,)).style.background_gradient('coolwarm'))

pd.set_option('display.max_columns', None)
pd.set_option('display.max_colwidth', None)
pd.options.mode.chained_assignment = None

Изучение общей информации и датасете

К содержанию

path = '/datasets/'
df = pd.read_csv(path + 'moscow_places.csv')

load(df)

Первые 10 строк таблицы:

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	0	NaN
6	Огни города	бар,паб	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн 15:00–04:00; вт-вс 15:00–05:00	55.890752	37.524653	4.4	средние	Средний счёт:199 ₽	199.0	NaN	0	45.0
7	Mr. Уголёк	быстрое питание	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.890636	37.524303	4.7	средние	Средний счёт:200–300 ₽	250.0	NaN	0	45.0
8	Donna Maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	средние	Средний счёт:от 500 ₽	500.0	NaN	0	79.0
9	Готика	кафе	Москва, Ангарская улица, 39	Северный административный округ	ежедневно, 12:00–00:00	55.879038	37.524487	4.3	средние	Средний счёт:1000–1200 ₽	1100.0	NaN	0	65.0

Иноформация о таблице:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

None

Количество дубликатов в таблице:

0

Количество пропусков в таблице:

name                    0
category                0
address                 0
district                0
hours                 536
lat                     0
lng                     0
rating                  0
price                5091
avg_bill             4590
middle_avg_bill      5257
middle_coffee_cup    7871
chain                   0
seats                3611
dtype: int64

Процентное соотношение пропусков к общему числу значений для каждого столбца

	0
name	0.000000
category	0.000000
address	0.000000
district	0.000000
hours	6.000000
lat	0.000000
lng	0.000000
rating	0.000000
price	61.000000
avg_bill	55.000000
middle_avg_bill	63.000000
middle_coffee_cup	94.000000
chain	0.000000
seats	43.000000

Изучение содержимого по столбцам

К содержанию

Количество представленных заведений

К содержанию

df['name'].count()

8406

df['name'].nunique()

5614

Количество и список уникальных значений категорий заведений

К содержанию

df['category'].nunique()

8

df['category'].value_counts()

кафе               2378
ресторан           2043
кофейня            1413
бар,паб             765
пиццерия            633
быстрое питание     603
столовая            315
булочная            256
Name: category, dtype: int64

Изучение информации о днях и часах работы заведений

К содержанию

df['hours'].nunique()

1307

df['hours'].value_counts()

ежедневно, 10:00–22:00                                  759
ежедневно, круглосуточно                                730
ежедневно, 11:00–23:00                                  396
ежедневно, 10:00–23:00                                  310
ежедневно, 12:00–00:00                                  254
                                                       ... 
пн-чт 11:00–21:00; пт,сб 11:00–22:00; вс 11:00–21:00      1
пн-пт 07:30–21:00; сб,вс 10:00–20:00                      1
пн-пт 11:00–22:45; сб,вс 12:00–23:45                      1
пн-пт 08:30–19:00; сб 09:30–18:00                         1
пн-сб 11:00–22:00; вс 12:00–22:00                         1
Name: hours, Length: 1307, dtype: int64

Изучение информации о рейтингах заведений

К содержанию

df['rating'].nunique()

41

df['rating'].value_counts().head(15)

4.3    1513
4.4    1351
4.2    1041
4.1     785
4.5     623
4.0     499
4.7     440
4.6     422
3.9     252
4.9     243
4.8     215
3.8     188
3.7     147
5.0     105
3.6      76
Name: rating, dtype: int64

Изучение категорий цен в заведениях

К содержанию

df['price'].nunique()

4

df['price'].value_counts()

средние          2117
выше среднего     564
высокие           478
низкие            156
Name: price, dtype: int64

Изучение данных столбца chain

К содержанию

df['chain'].nunique()

2

df['chain'].value_counts()

0    5201
1    3205
Name: chain, dtype: int64

Количество и список уникальных значений административных районов, в которых находятся заведения

К содержанию

df['district'].nunique()

9

df['district'].value_counts()

Центральный административный округ         2242
Северный административный округ             900
Южный административный округ                892
Северо-Восточный административный округ     891
Западный административный округ             851
Восточный административный округ            798
Юго-Восточный административный округ        714
Юго-Западный административный округ         709
Северо-Западный административный округ      409
Name: district, dtype: int64

Изучение данных о количестве посадочных мест в заведениях

К содержанию

df['seats'].describe()

count    4795.000000
mean      108.421689
std       122.833396
min         0.000000
25%        40.000000
50%        75.000000
75%       140.000000
max      1288.000000
Name: seats, dtype: float64

plt.figure(figsize=(17, 7))
df['seats'].hist(bins=50, range=(0, 400))
plt.title('Гистограмма количества посадочных мест в заведениях общественного писания Москвы', fontsize=16)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.ylabel('Количество заведений', fontsize=14)
plt.ylabel('Количество посадочных мест', fontsize=14);

Вывод по разделу

К содержанию

В таблице данные о 8406 заведениях, из которых 5614 уникальных, вероятно остальные заведения сетевые.

Есть пропуски в столбцах hours, priceб avg_bill, middle_avg_bill, middle_coffee_cup и seats.

Полные дубликаты отсутствуют.

Есть 8 категорий заведений(в порядке убывания количества заведений): "кафе", "ресторан", "кофейня", "бар,паб","пиццерия","быстрое питание","столовая" и "булочная".

Существует 1307 разных режимов работы, наиболее популярные (в порядке убывания количества заведений): "ежедневно, 10:00–22:00", "ежедневно, круглосуточно", "ежедневно, 11:00–23:00", "ежедневно, 10:00–23:00", "ежедневно, 12:00–00:00".

Наиболее распространенные рейтинги заведений от 4,1 до 4,5.

Представлены 4 категории цен (в порядке убывания количества заведений): "средние", "выше среднего", "высокие", "низкие".

Есть 5201 несетевое заведение и 3205 сетевое.

Представлены данные по 9 административным округам, больше всего заведений располагается в Центральном, меньше всего в Северо-Западном.

Количество посадочных мест варьируется от 0 до 1288, медианное значение - 75, большая часть заведений вмещает не более 200 человек.

Предобработка данных

К содержанию

Добавление новых столбцов

К содержанию

Создание столбца со средней стоимостью бокала пива для категории "бар, паб"

К содержанию

len(df[df['avg_bill'].str.contains('Средний счёт|Цена чашки капучино|Цена бокала пива')== False])

0

avg_bill содержит строки начинающиеся только с вышеперечисленных подстрок, можно добавить столбец со средней стоимостью бокала пива

#создаем таблицу где есть средняя стоимость бокала пива
df_bar = df[df['avg_bill'].str.contains('Средний счёт|Цена чашки капучино')== False]
# уберем строку, оставив только цифры 
df_bar['middle_pint'] = df_bar['avg_bill'].str.replace(r"[^\d\–]", "", regex=True)
#создадим столбцы с границами диапазона цены
df_bar[['min_pint', 'max_pint']] = df_bar['middle_pint'].str.extract(r'(\d{2,3})\W+(\d{2,3})')

# в некоторых строках было указано только нижнее значение диапазона, разделим таблицу на две (где указаны обе границы, и где только одна)
df_pivo1 = df_bar[df_bar['min_pint'].isnull()]
df_pivo2 = df_bar[~df_bar['min_pint'].isnull()]
#для таблицы, где указаны две границы диапазона посчитаем среднее
df_pivo2['min_pint'] = df_pivo2 ['min_pint'].astype('int')
df_pivo2['max_pint'] = df_pivo2 ['max_pint'].astype('int')
df_pivo2['middle_pint'] = (df_pivo2['max_pint']+df_pivo2['min_pint'])/2
df_pivo2 = df_pivo2[['name',
                     'address', 
                     'middle_pint',]]
#если указано только одна граница, оставим ее в качестве среднего
df_pivo1 = df_pivo1[['name', 
                     'address',
                     'middle_pint']]
df_pivo1['middle_pint'] = df_pivo1['middle_pint'].astype('int')

#сцепим две таблицы
df_bar = pd.concat([
    df_pivo1,
    df_pivo2
])

#объединим исходную таблицу, с данными о средней стоимости пива
df = df.merge(df_bar, on=['name', 'address'], how='outer')
df = df[['name',
       'category', 
       'address',
       'district',
       'hours',
       'lat',
       'lng',
       'rating',
       'price',
       'avg_bill',
       'middle_avg_bill',
       'middle_coffee_cup',
       'middle_pint',
       'chain',
       'seats']]

Создание столбца "street" с названиями улиц из адресов заведений

К содержанию

pattern = '\,*,(([а-яА-Я1-9\-ё\s"]+)?(улица|переулок|шоссе|проспект|площадь|проезд|проектируемый проезд|село|Проезд|аллея|бульвар|набережная|тупик|линия|МКАД|парк|заказник|сквер|квартал|сад|Выставка|памятник|просек|Третье транспортное кольцо|ул|мост|жилой комплекс|микрорайон|пр-т|тоннель|музей-заповедник|Сумская)([а-яА-Яё1-9\-\s"]+)?)'
df['street'] = df['address'].str.extract(pat = pattern)[0]
df['street'].isna().sum()

27

не вышло вывести улицы только для 27 заведений

Создание столбца "is_24_7", с обозначением, что заведение работает ежедневно и круглосуточно (24/7)

К содержанию

def is_24_7(hours):
    if hours == 'ежедневно, круглосуточно':
        return True
    else:
        return False
df['is_24_7'] = df['hours'].apply(is_24_7)

Изменение типов данных

К содержанию

Приведение столбца "chain" к булевым значениям

К содержанию

df['chain'] = df['chain'].astype('bool')

Приведение столбца "middle_avg_bill" к числовым значениям

К содержанию

df['middle_avg_bill'] = df['middle_avg_bill'].astype('float')

df.info(0)

<class 'pandas.core.frame.DataFrame'>
Int64Index: 8406 entries, 0 to 8405
Data columns (total 17 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  middle_pint        132 non-null    float64
 13  chain              8406 non-null   bool   
 14  seats              4795 non-null   float64
 15  street             8379 non-null   object 
 16  is_24_7            8406 non-null   bool   
dtypes: bool(2), float64(7), object(8)
memory usage: 1.0+ MB

Проверка данных на дубликаты

К содержанию

df['name'] = df['name'].str.lower()

df.duplicated().sum()

0

df[df.duplicated(subset = ['name','address'])]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7
1511	more poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00–18:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	NaN	True	188.0	Волоколамское шоссе	False
2420	раковарня клешни и хвосты	бар,паб	Москва, проспект Мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00–00:00	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	NaN	True	150.0	проспект Мира	False
3109	хлеб да выпечка	кафе	Москва, Ярцевская улица, 19	Западный административный округ	NaN	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	NaN	False	276.0	Ярцевская улица	False

Проверка на полные дубликаты выполнена в первом разделе, но возможно какието заведения попали с таблицу несколько раз, например с разными рейтингами или категориями, чтобы это проверить выполнена проверка на дубликаты по паре "название заведения" + "адрес". Дубликатов не обнаружено, значит каждое заведение действительно попало в таблицу только один раз.

df[df['name']== 'шашлык']

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7
54	шашлык	быстрое питание	Москва, Коровинское шоссе, 46, стр. 5	Северный административный округ	ежедневно, круглосуточно	55.887978	37.515823	3.9	NaN	NaN	NaN	NaN	NaN	True	NaN	Коровинское шоссе	True
91	шашлык	булочная	Москва, Абрамцевская улица, 1	Северо-Восточный административный округ	ежедневно, круглосуточно	55.891932	37.573445	4.2	NaN	NaN	NaN	NaN	NaN	True	240.0	Абрамцевская улица	True
6511	шашлык	кафе	Москва, Большая Косинская улица, 27, стр. 9	Восточный административный округ	NaN	55.717506	37.857975	3.3	NaN	NaN	NaN	NaN	NaN	True	NaN	Большая Косинская улица	False

names = df['name'].tolist()
unique_names = set(names)
unique_names_sorted = sorted(unique_names)
unique_names_sorted

['#кешбэккафе',
 '+39 pizzeria mozzarella bar',
 '1 этаж',
 '1-я креветочная',
 '10 идеальных пицц',
 '1001 ночь',
 '100ловая',
 '100лоффка',
 '13',
 '13 chef doner',
 '15 kitchen+bar',
 '15-й шар',
 '16 июня',
 '16 тонн',
 '18 грамм',
 '1901 comfort food zone',
 '1у',
 '2 типа',
 '2-й этаж',
 '2046',
 '21 век',
 '22 акра кофе&хлеб',
 '2u-ту-ю',
 '3 ступени',
 '351 bar',
 '4 сезона',
 '4.2. bar',
 '4/1 restaurant',
 '42 coffee shop',
 '47',
 '495',
 '4friends coffee',
 '4tuna cafe&grill',
 '5 stars coffee',
 '55.709201, 37.392257',
 '6 am bread kitchen',
 '6 рукопожатий',
 '69 раков',
 '7 сэндвичей',
 '7 элемент',
 '7/12',
 '8 oz',
 '8 вафель',
 '8 зёрен',
 '8 пончиков',
 '800°с contemporary steak',
 '8bit pizza',
 '9 bar coffe',
 '9 bar coffee',
 '9 зёрен',
 'a-cafe',
 'abc coffee roasters',
 'acai family',
 'accent',
 "adam's chicken",
 'adria mare',
 'ahava',
 'air coffee',
 'al halal',
 'al33 пиццерия бар боттега',
 'all day',
 'alma',
 'alternative coffee',
 'aly’s poke',
 'amande',
 'amarena',
 'americano black coffee & food',
 'amg cafe',
 'ami chaise',
 'amore grande',
 'amsterdam bar',
 'andy coffee',
 'angel cakes city',
 'angel cakes patriki',
 'ann joy',
 'anri bakery',
 'antalya',
 'anvil cafe',
 'aq kitchen',
 'aquarium',
 'arabix',
 'arch 1908',
 'archie',
 'arcus bar and food',
 'armibaker',
 'aroma',
 'art & horses',
 'art coffee club',
 'art de vie',
 'art-rco',
 'art-буффет',
 'arzon',
 'arzon food',
 'asia gourmet',
 'asiatique kitchen x bar',
 'asparago',
 'assa',
 'atelier de tartelettes',
 'atilla',
 'atlantica seafood',
 'autostory',
 'ava',
 'avenue 32',
 'avgust рыбный ресторан',
 'avkvadrate',
 'avocado point',
 'avoday coffee and tea',
 'b&b bradu bar',
 'b&d cafe',
 'b. r. b. скоровернусь',
 'b1 coffee&goodies',
 'ba dinh',
 'baba napoli',
 'babacha',
 'baci abbracci',
 'baer coffee',
 'bagetti',
 'bake&coffee',
 'bakery',
 'bakery mart',
 'balabowl',
 'balance',
 'balanceat',
 'baleno',
 'bali lounge',
 'bando',
 'bao+noodles',
 'bar bq cafe',
 'bar park 15',
 'bar zero time',
 'barbacoa',
 'barmalini',
 'barra cholo',
 'bassg',
 'baza',
 'bb grill',
 'bb&burgers',
 'bbcafe',
 'bbq kitchen',
 'bbq kitchen 2.0',
 'bbq point',
 'beauty pub',
 'beautyfood cafe',
 'beer & brut',
 'beersenev bar',
 'bellissima',
 'benedict',
 'berenj',
 'bericoni',
 'berry fruit vitamin & fresh bar',
 'berta',
 'bespoke cafe',
 'between',
 'beyoglu shef doner waffle',
 'beze зиларт',
 'beze ривер парк',
 'bfl’s',
 'bierлога',
 'big black cup coffee',
 'big city',
 "big jim's pub",
 'bigсуши',
 'billy mcdaniel',
 'bistro ostro',
 'bitter drop',
 'bizi',
 'bizone lounge итальянская кухня',
 'bklyn: brooklyn pizza pie',
 'black & white lounge',
 'black star burger',
 'black stone',
 'black thai',
 'black молоко',
 'blanc',
 'blau',
 'blinicoffee',
 'blink seafood',
 'blizz cafe&bar',
 'bloom coffee',
 'bloom-n-brew',
 'bloom-n-brew baum',
 'bloom-n-brew factoria',
 'bluefin sushi nikkei & seafood',
 'bm',
 'bo food',
 'bo&ga',
 'bo-bo lounge',
 'bob’s your uncle',
 'bocconcino',
 'bodrero',
 'bodro coffee',
 'bollo',
 'bollywood',
 'bolognetta osteria&pizzeria',
 'bon lavash',
 'bonjour',
 'bonne cantine',
 'booblik',
 'bora bora',
 'boss doner',
 'boston seafood & bar',
 'botteganova organic',
 'boulangerie',
 'bowl family',
 'bowlme',
 'bowlroom',
 'bổ',
 'bradu bar',
 'brancho',
 'brasserie lambic',
 'brasserie stout',
 'bravos',
 'bread and butter',
 'bread head',
 'bread пит',
 'breadville',
 'breakfast cafe',
 'breakfast hunters',
 'breakfast so tasty',
 'brera',
 'brick',
 'bright israeli grill',
 'brisket bbq',
 'brix',
 'bro bar',
 'bro&n',
 'brodo bar & kitchen',
 'brooklyn cafe',
 'brooklyn coffee',
 'brooms',
 'bros burritos',
 'brownie mama',
 'brrrew!',
 'brunch cafe',
 'bruxx',
 'buba by sumosan',
 'buba mara',
 'bubbasheri',
 'buddy bar',
 'bufet',
 'buffet',
 'bull meat',
 'bulldog bar',
 'bulldog coffee',
 'bunker pub beer',
 'buon',
 'burger club',
 'burger heroes',
 'burger shaw',
 'burgers and crabs',
 'but first coffee',
 'bổ',
 "c'cups",
 'café sicilia',
 'cafe',
 'cafe & пельменная',
 'cafe 13',
 'cafe 55',
 'cafe aprile',
 'cafe imperial',
 'cafe inn',
 'cafe pantheon',
 'cafe racer',
 'cafe sunset',
 'cafe the slim',
 'cafe vecher',
 'cafe&bar',
 'cafe13',
 'cafeterius simple',
 'caffa',
 'caffe diemm',
 'caffe galliano',
 "caffe mandy's",
 'caffeterria',
 'caffetteria',
 'cafio',
 'café 1892',
 'café arizona',
 'café by interoptika',
 'café de paris',
 "cake o'clock",
 'cake time',
 'calma!',
 'camera obscura',
 'camorra pizza e birra',
 'campus',
 'canteen',
 'cantina city',
 'cantina city free flow cafe',
 'cape',
 'capito',
 'capo pizza & pasta',
 'captain gyros',
 'cargo cafe',
 'carrots and beans',
 'casa del caffe',
 'casa di famiglia',
 'casa leone',
 'caspian',
 'cassette cafe',
 'catch',
 'catcher',
 'cedro albero',
 'cezve coffee',
 'cha cha',
 'chanh',
 'chat noir',
 'cheesemania',
 'chef cat',
 'chef express',
 'chekhoff cafe & bar',
 'chicha san chen',
 'chicken father',
 'chicken mania',
 'chicken planet',
 'chicko',
 'chiken king shawarma',
 'china club',
 'china life',
 'china palace',
 'chindi kitchen',
 'chinese market',
 'chips',
 "chips'n'kale",
 'chou do',
 'chowder&pie',
 'christian',
 'christopher. co',
 'cinnabon',
 'city friends',
 'city life',
 'city lunch',
 'city space bar & restaurant',
 'clean',
 'clever coffee',
 'clubpizza',
 'co/co coffee&cozy',
 'coba',
 'cobalt coffee',
 'cochonnet',
 'cof кофе',
 'cofair',
 'cofan',
 'cofe fest',
 'cofefest',
 'coff home',
 'coffee',
 'coffee 42',
 'coffee and the city',
 'coffee bay',
 'coffee bean',
 'coffee bistro',
 'coffee boy',
 'coffee break',
 'coffee brothers',
 'coffee buro',
 'coffee combo',
 'coffee drop',
 'coffee first',
 'coffee fm',
 'coffee frisbee',
 'coffee garden',
 'coffee gate',
 'coffee guru',
 'coffee in',
 'coffee inn',
 'coffee itself',
 'coffee joy',
 'coffee king',
 'coffee like',
 'coffee me',
 'coffee miru',
 'coffee moose',
 'coffee music',
 'coffee party',
 'coffee place',
 'coffee point',
 'coffee pulse',
 'coffee religion',
 'coffee sova',
 'coffee supreme',
 'coffee to go',
 'coffee vibe',
 'coffee way',
 'coffee week',
 'coffee пирапора',
 'coffee&croissant',
 'coffee13',
 'coffee_molka',
 'coffee_spark',
 "coffeebar'17",
 'coffeebara',
 'coffeebrain',
 'coffeefox',
 'coffeehub',
 'coffeeist',
 'coffeeizm',
 "coffeekaldi's",
 'coffeelovers',
 'coffeepie',
 'coffeeshop company',
 'coffeeshots',
 'coffeesphere',
 'coffeeteabar',
 'coffeewinner',
 'coffeewins',
 'coffeewood',
 'coffeeтут',
 'coffelab',
 'coffeplet',
 'coffezdes',
 'coffprice',
 'coffta',
 'cofix',
 'color хот-дог',
 'colorcoffee',
 'come a casa',
 'comme a paris',
 'community',
 'compass coffee&bakery',
 'conversation',
 "cook'kareku",
 'corner cafe & kitchen',
 'corner cafe&kitchen',
 'corner coffee roasters',
 'correas',
 'corso coffee',
 'cosmic coffee',
 'cosmic latte',
 'cosmos lounge',
 'cotto',
 'country coffee',
 "cousin's coffee",
 'craft buffet',
 'craftburgers',
 'crazy fish',
 'crazy kitch brothers',
 'crazy noodle',
 'cream soda',
 'crema',
 'creperie de paris',
 'crisper',
 'crop. coffee & smoothie bar',
 'crosseat',
 'crosta',
 'crystal cafe made in georgia',
 'cubby',
 'cultura coffee',
 'cup & chin',
 'cups&hugs',
 'curry',
 'cvc китайская кухня',
 'cyber saray',
 'cépage kitchen & bar',
 'dada',
 'daft rabbit pub',
 'dai viet',
 'damil',
 'danell’o pizza',
 "dark patrick's pub",
 'david b cafe',
 'dcs',
 'de bassus',
 'de village',
 'deep fried friends',
 'deli by shell',
 'deli2go',
 'delimarche',
 'dellos corporate service',
 'delonixcafe',
 'demi coffee shop',
 'demokrat',
 'dereza',
 'deti lapshi',
 'devino',
 'di villaggio',
 'dimsum & co',
 'dinnertime',
 'dip with me',
 'dirty dance',
 'district',
 'dizengof99',
 'do. bro coffee',
 'dobryakova bakery',
 'dolce & gamarjoba',
 'dolce far niente',
 'doner & tantuni',
 'doner 24',
 'doner mania',
 'doner one',
 'doner pro',
 'donna maria',
 'dopamine salad shop',
 'dormouse',
 'dormouse coffee shop',
 'double axe',
 'double duck',
 'dr. coffee',
 'dr. живаго',
 'dracoffeestar',
 'dragon bubble tea',
 'dragon mixology bar',
 'drama cafe',
 'dream bar',
 'dream food',
 'drink eat travel',
 'drive',
 'drive cafe',
 'drive café',
 'dubai meal',
 'duckit',
 'dudu',
 "dunkin' donuts",
 'dон хулио',
 'e. d. a.',
 'e. s. coffee',
 'eastoria',
 "eastwood's",
 'easy brix',
 'easy food',
 'easy pizza',
 'eat & talk',
 'eat market алкон',
 'eat street',
 'eat&enjoy',
 'eat&play',
 'eataly',
 'eateria паста&пицца',
 'ecle',
 'eco шаурма',
 'eda premium',
 'eggsellent',
 'ekspress kafe',
 'ela',
 'element coffee',
 'elephantkids',
 'eleven coffee',
 'encore cafe',
 'entree',
 'erwin рекамореокеан',
 'eshak',
 'eshka',
 'espressium',
 'espresso bar',
 'espresso patronum',
 'espressoroom',
 'essthetik',
 'estetica',
 'estetica cafe',
 'etmix',
 'eva',
 'everest coffee',
 'ex: libris',
 'express',
 'express кафе',
 'extra virgin',
 'eywa art',
 'fabbrica. pasta & panini',
 'falafel bro',
 'falko pizza',
 'family bakery',
 'family cafe',
 'family cafe mayak',
 'family club',
 'family ресто-бар',
 'fan cafe',
 'fan zone',
 'farang',
 'farn house',
 'farro pasta bar',
 'farш',
 'fast soup',
 'fast шашлык',
 'fastshashlik',
 'fayz',
 'feifan',
 'festa & тесто',
 'festa&тесто',
 'fibbee',
 'fibo pasta & ravioli',
 'fika',
 'financier',
 'finch',
 'fine coffee bar',
 'fire',
 'fire burgers',
 'fire lake',
 'first&only',
 'fish bistro',
 'fish культура',
 'fishbazaar',
 'fishman',
 'fishop',
 'fit appėtit',
 'flaner',
 'flashburger',
 'flat white',
 'fleur',
 'flip',
 'floo',
 'florentini',
 'florentini city cafe',
 'fluffy fluffy',
 'fly coffee',
 'foil',
 'food embassy',
 'food galaxy',
 'food low cost sushi',
 'food market красная роза',
 'food story',
 'food street. рассвет',
 'food way',
 'foodband.ru',
 'foodkido',
 'foodmoscowcoffee',
 'foodpoint',
 'foodstep',
 'foody foody',
 'for by friends',
 'for you',
 'for you coffee lab',
 'for your kids',
 'forest lounge',
 'fos',
 'fox',
 'foxler art & lounge',
 'frame wine & bar',
 'frank by баста',
 'frankie pizza',
 'free & со',
 'free&co',
 'freedom bar',
 'french bakery',
 'french bakery sedelice',
 'fresh',
 'fresh cafe',
 'fresh coffee bar',
 'fresh food',
 'fresh for you',
 'fresh for you & cofe',
 'fresh шаурма',
 'fresh-doner',
 'fresita pizza',
 'freya',
 'friends',
 'friends & family',
 'friends forever',
 'friends forever botanica',
 'friends social club',
 'from berlin',
 'fruits and veges',
 'fruitsberry',
 'fry’d',
 'fun ny duck',
 'funky lab',
 'g&m',
 "g'астроном",
 'g. bakery8',
 'gabs&co',
 'gagawa',
 'garage',
 'garage café',
 'garden cafe',
 'garret',
 'garum',
 'gastro room',
 'gastrobar',
 'gastrobistro zola',
 "gayane's",
 'gelati',
 'gem',
 'genso sushi',
 'gentle',
 'gentleman coffee',
 'georgia хинкали',
 'georgian garden',
 'georgian house',
 'get and fly',
 'gimme coffee',
 'ginger cafe&fitnessbar',
 'glastonberry',
 'gloria pizza',
 'glowsubs',
 'go dragons',
 'go! кофе',
 'gold',
 'gold 312',
 'golden coffee',
 'goncharov',
 'goodbro kitchen',
 'goodfood',
 'gourmet lunch',
 "grab'n go",
 'grace bistro',
 'grace pizza',
 'grand cru',
 'grand family',
 'grand-cafe',
 'grano',
 'grao de cafe',
 'grape',
 'grape wine & kitchen',
 'grapefruit',
 'great room bar',
 'greek street',
 'green park sokolniki',
 'green pub',
 'green v. a. i.',
 'greengo bar зеленая лавка',
 'grey',
 'grill bar crafted',
 'grinvich coffee room',
 'gross coffee',
 'gt. coffee',
 'guests in the city',
 "gump's",
 'guns & bears',
 'gurmanoff',
 'guru',
 'gustolife',
 'gutai',
 'gvido gelato',
 'gøg',
 'habit',
 'hagao',
 'halal',
 'halal food',
 'han cook',
 'hands asian bistro',
 'hang pho',
 'hanoi',
 'hanoi food&drinks',
 'happy cup club',
 'harat’s pub',
 'hard rock cafe',
 'harvest cocktail bar',
 'hatimaki',
 'hayot',
 'heavy еда',
 'hello kitty',
 'hellopapaya',
 'helltower57',
 'help driver',
 'hills',
 'hite',
 'ho cho pho',
 'ho chu pho',
 'holder coffee',
 'holi yoga & cafe',
 'holy berry',
 'home',
 'homies cafe',
 'hong kong',
 'hop gun bar',
 'horendin',
 'hot dog bulldog',
 'house mafia',
 'howard loves craft',
 'hq! coffee',
 'hudson deli',
 'humpty dumpty',
 'i coffee',
 'i do the kitchen v. 2',
 'i like wine',
 'i like wine 2.0',
 'i love cake',
 'i need doner',
 'i-chef',
 'i-chef бистро',
 'i-coffee. me',
 'i-cup',
 'i-tal corner',
 'ibis kitchen',
 'ice embassy',
 'id cafe',
 'ikigai',
 'il barolo',
 'il borgo',
 'il forno',
 'il letterato',
 'il mio',
 'il pittore',
 'il pizzaiolo',
 'il tocco',
 'il tomato',
 'il патио',
 'illy',
 'impress',
 'introvert. place',
 'ipho cafe',
 'ippo',
 'iq coffee',
 'iq кофе',
 'istanbul',
 'istanbul kebab',
 'istanbull house',
 "it's сот - кофейня",
 "it's сот-кофейня",
 'iteam coffee',
 'ivoire café',
 'izakaya',
 'j&j cafe moscow',
 "j'pan",
 'ja-jo',
 'jamamai asian kitchen & bar',
 'janis cafe',
 'japcake',
 'jaya',
 'jaz-jiz',
 'jedi coon',
 "jeffrey's",
 "jeffrey's coffee",
 "jeffrey's coffeeshop",
 "jeffrey's кофе и сидр",
 'jeffrey’s coffeeshop',
 'jinju',
 'joe pizza',
 "john gilroy's pub",
 'johnny lee pizza & halal food',
 'jolene',
 'joon',
 'julibon cafe',
 'jungle brothers',
 'just',
 'just coffee',
 'k-town',
 'k-town korean bbq',
 'kafin',
 'kaif provenance',
 'kalabasa',
 'kano',
 'karavan',
 'karma coffee',
 'kathrin’s bakery',
 'kavabanga-food',
 'kaya coffee shop',
 'kebab time',
 'kebabs',
 'kenza',
 'khait food',
 'kikidze',
 'killfish',
 'kimpab',
 'kinohome',
 'kiosk 11',
 'kiosk 1936',
 'kitchen',
 'kitchen for you',
 'kitsune',
 'kle_do cafe',
 'knockout coffee',
 'koi nori',
 'koji',
 'kojiro',
 'kollektiv',
 'kool i cha',
 'korean chick',
 'koreana light',
 'kraskovka',
 'krispy kreme',
 'ku: рамен изакая бар',
 'kulinari',
 'kuma to sakana',
 'kurkuma',
 'kurnik',
 'kuzina',
 'kuzu kebab',
 'kvartal',
 'kvartal green garden',
 'l cafe',
 'la bellezza',
 'la bulka',
 'la cafe',
 'la capitale',
 'la casa',
 'la maroush',
 'la mortazza',
 'la pausa',
 'la pizza bomba',
 'la provincia',
 'la taverna',
 'la veranda',
 'la verona',
 'la vie café',
 'la villa',
 'la вилка',
 'lacabana-africana',
 'laffa laffa',
 'lalaland',
 'lamadjo',
 'lamm’s',
 'lancheria artplay',
 'langet',
 'lao lee плешка',
 'larionov',
 'larry&krabs',
 'lars vegans',
 'laserland кафе',
 'latteria1963',
 'lav cafe',
 'lav шашлык',
 'lava pizza',
 'lavanda',
 'lavash',
 'lavazza',
 'lavaш',
 'lavburger',
 'lawanda store',
 'lay bay',
 'layerz bakery',
 'le chaton gris',
 'le petit paris',
 'le procope du matin',
 'le круассан',
 'leffe cafe',
 'lele kitchen & wine',
 'leocoffee',
 'leon',
 'les',
 "let's rock",
 'levant/شام',
 'levin bakehouse',
 'life food',
 'lift coffee & grill',
 'like burger&pizzetta',
 'like cafe',
 'lino',
 'lion',
 'lisobon',
 'little panda cafe',
 'littles kids play cafe',
 'living room',
 'lobby',
 'local',
 'local kitchen',
 'locals',
 'loft 45',
 'loft-cafe академия',
 'logovo',
 'lollo',
 'loo chi',
 'lori bar',
 'loro',
 'lostbar',
 'louis fusion',
 'lounge bar',
 'love lavash',
 'love&eat',
 'lovers',
 'lucky bakery',
 'lucky cheese pizza',
 'lucky eye',
 'lucky eye. ближневосточной lounge bar',
 'lucky izakaya bar',
 'lumicino',
 'lunch',
 'lunch point',
 'lunch&box',
 'lunchcity',
 'lure oysterbar',
 "lusy's pizza",
 'lutom',
 'lyanson’s coffee',
 'ma chere bistro',
 'mac & cheese',
 'macadamia',
 'mad season',
 'mad wine bar',
 'madam yen',
 'madison restaurant & club',
 'maestrello',
 'mafe',
 'magaria',
 'magic coffee',
 'main food',
 'mainfood',
 'mamamai',
 'mamma mia',
 'man gal',
 'mandarin combustible',
 'mangal house',
 'mango gril',
 "manny's burger",
 'mansard restaurant and hall',
 'manufaktura',
 'margarita',
 'marie',
 'marketplace',
 'marks choice',
 'marmi',
 'maroon',
 'marrakesh',
 'martinez',
 'marx urban grill',
 'mashup',
 'masseter kitchen&bar',
 'mastersuit cafe',
 'matcha bar',
 'matreshka',
 'max bakery',
 ...]

df[df['name'].str.contains('surf')]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7
1267	surf coffee x flat	кофейня	Москва, улица Маршала Бирюзова, 18	Северо-Западный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.795065	37.491459	4.5	средние	Цена чашки капучино:149–199 ₽	NaN	174.0	NaN	False	NaN	улица Маршала Бирюзова	False
1322	surf coffee x takeoff	кофейня	Москва, проезд Аэропорта, 8, стр. 9	Северный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.797857	37.522039	4.7	NaN	Цена чашки капучино:от 139 ₽	NaN	139.0	NaN	False	NaN	проезд Аэропорта	False
1390	surf coffee x highway	кофейня	Москва, Ленинградский проспект, 66	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.802595	37.526479	4.6	NaN	NaN	NaN	NaN	NaN	False	70.0	Ленинградский проспект	False
1399	surf coffee x otto	кофейня	Москва, улица Куусинена, 7, корп. 2	Северный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.780140	37.515415	4.7	NaN	NaN	NaN	NaN	NaN	False	10.0	улица Куусинена	False
2291	surf coffee x lovely	кофейня	Москва, проспект Мира, 40	Центральный административный округ	пн-пт 08:00–23:00; сб,вс 10:00–23:00	55.780288	37.634008	4.5	средние	Цена чашки капучино:от 169 ₽	NaN	169.0	NaN	False	36.0	проспект Мира	False
5015	surf coffee x studio	кофейня	Москва, Садовническая улица, 42с1	Центральный административный округ	пн-пт 08:00–21:00; сб,вс 10:00–21:00	55.744832	37.636873	4.5	NaN	Цена чашки капучино:149–219 ₽	NaN	184.0	NaN	False	NaN	Садовническая улица	False
5060	surf coffee x sababa	кофейня	Москва, Пятницкий переулок, 3	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.743177	37.630068	4.6	средние	Цена чашки капучино:149–219 ₽	NaN	184.0	NaN	False	4.0	Пятницкий переулок	False
5624	surf coffee x amen	кофейня	Москва, Аминьевское шоссе, 6	Западный административный округ	ежедневно, 10:00–22:00	55.706820	37.456788	4.3	NaN	NaN	NaN	NaN	NaN	False	NaN	Аминьевское шоссе	False
5933	surf coffee x lips	кофейня	Москва, улица Дмитрия Ульянова, 4, корп. 1	Юго-Западный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.693511	37.557500	4.5	NaN	Цена чашки капучино:200–300 ₽	NaN	250.0	NaN	False	90.0	улица Дмитрия Ульянова	False
5981	surf coffee x sport	кофейня	Москва, Усачёва улица, 62	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.724605	37.562321	4.5	NaN	Цена чашки капучино:199–229 ₽	NaN	214.0	NaN	False	NaN	Усачёва улица	False
6063	surf coffee x secret spot	пиццерия	Москва, Конный переулок, 12	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.721691	37.611750	4.6	NaN	NaN	NaN	NaN	NaN	False	39.0	Конный переулок	False
6667	surf coffee x akademik	кофейня	Москва, проспект Вернадского, 41	Западный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.674674	37.503214	4.8	NaN	NaN	NaN	NaN	NaN	False	NaN	проспект Вернадского	False
7015	surf'n'fries	быстрое питание	Москва, Южный административный округ, район Чертаново Северное, микрорайон Северное Чертаново, 1А	Южный административный округ	ежедневно, 10:00–22:00	55.637547	37.600379	4.4	NaN	NaN	NaN	NaN	NaN	False	NaN	микрорайон Северное Чертаново	False
7573	surf coffee x shine	кофейня	Москва, Новоясеневский проспект, 11	Юго-Западный административный округ	ежедневно, 10:00–22:00	55.606622	37.536267	4.4	NaN	Цена чашки капучино:149–219 ₽	NaN	184.0	NaN	False	70.0	Новоясеневский проспект	False

Явных дубликатов в таблице нет, однако есть часто повтряющиеся названия, причем некоторые из заведений с одинаковыми названиями сетевые, а некоторые нет, так же есть похожие названия которые возможно принадлежат к одной сети (например сеть surf coffee представлена в датафрейме как несетевые кофейни с разными названиями). Поэтому качественно очистить данные от неявных дубликатов невозможно. Если бы в данных присутвовали уникальные идентификаторы сетей и заведений, можно было бы воспользоваться ими, например можно добавить столбец с ИНН организации, тогда можно было бы группировать данные по нему, наиболее точно выбрать сетевые и несетевые заведения и качественно избавиться от неявных дубликатов в названиях.

Проверка данных на пропуски

К содержанию

df.isna().sum()

name                    0
category                0
address                 0
district                0
hours                 536
lat                     0
lng                     0
rating                  0
price                5091
avg_bill             4590
middle_avg_bill      5257
middle_coffee_cup    7871
middle_pint          8274
chain                   0
seats                3611
street                 27
is_24_7                 0
dtype: int64

Есть 536 пропусков в часах работы, их не получится заполнить.

5091 пропуск в категории цен, если для этих строк есть значения диапозона среднего чека (avg_bill), их можно будет заполнить, задав категории цен для каждой категории заведения.

4590 пропусков в значениях диапозона среднего чека можно заполнить, если для этих строк есть категория цен.

5257 пропусков в middle_avg_bill можно заполнить если значение диапозона среднего чека начинается с подстроки "Средний счёт:"

7871 пропуск в middle_coffee_cup можно заполнить если значение диапозона среднего чека начинается с подстроки "Цена чашки капучино"

8274 пропуска в middle_pint можно заполнить если значение диапозона среднего чека начинается с подстроки "Цена бокала пива"

3611 пропусков в количестве посадочных мест заполнить не получится, однако стоит проверить, для каких категорий заведений отсутствуют эти данные.

27 пропусков в street не получится заполнить.

Заполнение и удаление пропусков

К содержанию

Посмотрим какие катеории заведений соответствуют среднему чеку, средней стоимости чашки кофе и средней стоимости бокала пива.

К содержанию

df[~df['middle_avg_bill'].isna()]['category'].unique()

array(['ресторан', 'кафе', 'пиццерия', 'бар,паб', 'быстрое питание',
       'столовая', 'кофейня', 'булочная'], dtype=object)

Средний чек может присутствовать во всех категориях.

df[~df['middle_coffee_cup'].isna()]['category'].unique()

array(['кофейня', 'кафе', 'пиццерия', 'бар,паб', 'быстрое питание'],
      dtype=object)

Средняя чена чашки кофе будет присутствовать в категориях 'кофейня', 'кафе', 'пиццерия', 'бар,паб', 'быстрое питание'.

df[~df['middle_pint'].isna()]['category'].unique()

array(['бар,паб', 'пиццерия'], dtype=object)

Средняя цена бокала пива есть только в категориях 'бар,паб' и 'пиццерия'.

Проверим, есть ли строки, для которых посчитано больше одной из средних

К содержанию

df[(
    ~df['middle_avg_bill'].isna() & ~df['middle_coffee_cup'].isna()
) | (
    ~df['middle_avg_bill'].isna() & ~df['middle_pint'].isna()
)| (
    ~df['middle_coffee_cup'].isna() & ~df['middle_pint'].isna()
) | (
    ~df['middle_coffee_cup'].isna() & ~df['middle_pint'].isna() & ~df['middle_avg_bill'].isna())]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7

Для каждой строки есть только что-то одно, либо средний чек, либо средняя цена чашки кофе, либо средняя цена бокала пива.

Проверим, есть ли строки, в которых есть значение avg_bill но нет значений в middle_avg_bill, middle_avg_bill и middle_pint

К содержанию

df[~df['avg_bill'].isna() & (df['middle_avg_bill'].isna() & df['middle_coffee_cup'].isna() & df['middle_pint'].isna())]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7

Нет таких строк где есть диапазон цен, но нет среднего чека, цены чашки кофе или цены бокала пива.

Заполним пропуски в middle_avg_bill, middle_coffee_cup и middle_pint нулями и выведем колонку 'avg' в которой будет отображаться средий счет для каждого заведения.

df[['middle_avg_bill', 'middle_coffee_cup', 'middle_pint']] = df[['middle_avg_bill', 'middle_coffee_cup', 'middle_pint']].fillna(0)

Заполним пропуски в категориях цен.

К содержанию

df['avg'] = df['middle_avg_bill'] + df['middle_coffee_cup'] + df['middle_pint']
df

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
0	wowфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	0.0	0.0	0.0	False	NaN	улица Дыбенко	False	0.0
1	четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	0.0	0.0	False	4.0	улица Дыбенко	False	1550.0
2	хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	0.0	0.0	False	45.0	Клязьминская улица	False	1000.0
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	0.0	170.0	0.0	False	NaN	улица Маршала Федоренко	False	170.0
4	иль марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	0.0	0.0	True	148.0	Правобережная улица	False	500.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	суши мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	0.0	0.0	0.0	False	86.0	Профсоюзная улица	False	0.0
8402	миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	0.0	0.0	0.0	False	150.0	Пролетарский проспект	False	0.0
8403	самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	0.0	0.0	False	150.0	Люблинская улица	True	150.0
8404	чайхана sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	0.0	0.0	0.0	True	150.0	Люблинская улица	True	0.0
8405	kebab time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	0.0	0.0	0.0	False	12.0	Россошанский проезд	True	0.0

8406 rows × 18 columns

df[df['price'].isna() & df['avg'] != 0]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	0.0	170.0	0.0	False	NaN	улица Маршала Федоренко	False	170.0
27	шаурму х@чу	быстрое питание	Москва, улица Дыбенко, 7, стр. 1	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.879324	37.480280	4.1	NaN	Средний счёт:от 240 ₽	240.0	0.0	0.0	False	4.0	улица Дыбенко	False	240.0
32	додо пицца	пиццерия	Москва, Коровинское шоссе, 23, корп. 1	Северный административный округ	ежедневно, 09:00–23:00	55.877388	37.523334	4.3	NaN	Средний счёт:328 ₽	328.0	0.0	0.0	True	46.0	Коровинское шоссе	False	328.0
34	домино'с пицца	пиццерия	Москва, Клязьминская улица, 11, корп. 4	Северный административный округ	ежедневно, 10:00–23:00	55.886963	37.523518	4.2	NaN	Средний счёт:от 500 ₽	500.0	0.0	0.0	True	247.0	Клязьминская улица	False	500.0
49	2u-ту-ю	пиццерия	Москва, Ижорская улица, 8А	Северный административный округ	ежедневно, круглосуточно	55.886160	37.508784	2.7	NaN	Средний счёт:900 ₽	900.0	0.0	0.0	False	NaN	Ижорская улица	True	900.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8366	ситипицца	пиццерия	Москва, Ферганская улица, 12	Юго-Восточный административный округ	ежедневно, 10:00–23:00	55.708143	37.808957	4.2	NaN	Средний счёт:300–700 ₽	500.0	0.0	0.0	False	4.0	Ферганская улица	False	500.0
8383	pizza24/7	пиццерия	Москва, улица Юных Ленинцев, 10/15к1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.698824	37.738878	4.2	NaN	Средний счёт:150 ₽	150.0	0.0	0.0	False	NaN	улица Юных Ленинцев	True	150.0
8385	cafio	кофейня	Москва, Новохохловская улица, 49	Юго-Восточный административный округ	пн-пт 07:00–22:00; сб,вс 07:00–21:00	55.724357	37.716415	4.7	NaN	Цена чашки капучино:80–120 ₽	0.0	100.0	0.0	False	NaN	Новохохловская улица	False	100.0
8399	пекарня, кафе-гриль	булочная	Москва, Болотниковская улица, 52, корп. 2	Юго-Западный административный округ	ежедневно, круглосуточно	55.662866	37.582572	4.2	NaN	Средний счёт:50–250 ₽	150.0	0.0	0.0	False	50.0	Болотниковская улица	True	150.0
8403	самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	0.0	0.0	False	150.0	Люблинская улица	True	150.0

743 rows × 18 columns

Есть 743 строки, где есть диапазон цен, но нет категории для них.

df.pivot_table(index=['category','price'], values='avg', aggfunc=['max', 'median'])

		max	median
		avg	avg
category	price
бар,паб	высокие	11000.0	1750.0
	выше среднего	4500.0	1250.0
	низкие	190.0	170.0
	средние	1250.0	575.0
булочная	высокие	2500.0	2250.0
	выше среднего	1250.0	1225.0
	низкие	200.0	150.0
	средние	1000.0	442.5
быстрое питание	высокие	5500.0	3200.0
	выше среднего	1500.0	1250.0
	низкие	225.0	150.0
	средние	1100.0	400.0
кафе	высокие	4500.0	2000.0
	выше среднего	1700.0	1250.0
	низкие	600.0	150.0
	средние	1750.0	450.0
кофейня	высокие	2500.0	2000.0
	выше среднего	2000.0	1250.0
	низкие	325.0	139.0
	средние	1568.0	250.0
пиццерия	высокие	3000.0	1825.0
	выше среднего	2000.0	1250.0
	низкие	300.0	75.0
	средние	1250.0	550.0
ресторан	высокие	35000.0	2250.0
	выше среднего	2250.0	1250.0
	низкие	575.0	300.0
	средние	2150.0	650.0
столовая	высокие	3750.0	3750.0
	выше среднего	1250.0	1225.0
	низкие	265.0	212.5
	средние	1000.0	300.0

Каким образом заполнялись категории непонятно, например для категории кафе максимальная цена в категории средние - 1750, а в категории выше среднего - 1700. Лучше будет перезаполнить категории самостоятельно.

def price(row):
        if row['category'] == 'бар,паб':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 400:
                return 'низкие'
            elif row['avg'] > 400 and row['avg'] <= 1000:
                return 'средние'
            elif row['avg'] > 1000 and row['avg'] <= 1500:
                return 'выше среднего'
            elif row['avg'] > 1500 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'булочная':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 300:
                return 'низкие'
            elif row['avg'] > 300 and row['avg'] <= 800:
                return 'средние'
            elif row['avg'] > 800 and row['avg'] <= 1500:
                return 'выше среднего'
            elif row['avg'] > 1500 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'быстрое питание':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 300:
                return 'низкие'
            elif row['avg'] > 300 and row['avg'] <= 1000:
                return 'средние'
            elif row['avg'] > 1000 and row['avg'] <= 1500:
                return 'выше среднего'
            elif row['avg'] > 1500 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'кафе':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 300:
                return 'низкие'
            elif row['avg'] > 300 and row['avg'] <= 800:
                return 'средние'
            elif row['avg'] > 800 and row['avg'] <= 1500:
                return 'выше среднего'
            elif row['avg'] > 1500 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'кофейня':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 200:
                return 'низкие'
            elif row['avg'] > 200 and row['avg'] <= 800:
                return 'средние'
            elif row['avg'] > 800 and row['avg'] <= 1500:
                return 'выше среднего'
            elif row['avg'] > 1500 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'пиццерия':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 400:
                return 'низкие'
            elif row['avg'] > 400 and row['avg'] <= 1000:
                return 'средние'
            elif row['avg'] > 1000 and row['avg'] <= 2000:
                return 'выше среднего'
            elif row['avg'] > 2000 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'ресторан':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 500:
                return 'низкие'
            elif row['avg'] > 500 and row['avg'] <= 1000:
                return 'средние'
            elif row['avg'] > 1000 and row['avg'] <= 2000:
                return 'выше среднего'
            elif row['avg'] > 2000 :
                return 'высокие'
            else:
                return ''
        if row['category'] == 'столовая':
            if row['avg'] == 0:
                return 'неизвестно'
            if row['avg'] <= 250:
                return 'низкие'
            elif row['avg'] > 250 and row['avg'] <= 1000:
                return 'средние'
            elif row['avg'] > 1000 and row['avg'] <= 3000:
                return 'выше среднего'
            elif row['avg'] > 3000 :
                return 'высокие'
            else:
                return ''

df['price'] = df.apply(price, axis=1)
df

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
0	wowфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	улица Дыбенко	False	0.0
1	четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	0.0	0.0	False	4.0	улица Дыбенко	False	1550.0
2	хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	выше среднего	Средний счёт:от 1000 ₽	1000.0	0.0	0.0	False	45.0	Клязьминская улица	False	1000.0
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	низкие	Цена чашки капучино:155–185 ₽	0.0	170.0	0.0	False	NaN	улица Маршала Федоренко	False	170.0
4	иль марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	0.0	0.0	True	148.0	Правобережная улица	False	500.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	суши мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	неизвестно	NaN	0.0	0.0	0.0	False	86.0	Профсоюзная улица	False	0.0
8402	миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	неизвестно	NaN	0.0	0.0	0.0	False	150.0	Пролетарский проспект	False	0.0
8403	самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	низкие	Средний счёт:от 150 ₽	150.0	0.0	0.0	False	150.0	Люблинская улица	True	150.0
8404	чайхана sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	неизвестно	NaN	0.0	0.0	0.0	True	150.0	Люблинская улица	True	0.0
8405	kebab time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	неизвестно	NaN	0.0	0.0	0.0	False	12.0	Россошанский проезд	True	0.0

8406 rows × 18 columns

df[df['avg']<1 & ~df['avg_bill'].isna()]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
3688	кофемания	кофейня	Москва, улица Новый Арбат, 19	Центральный административный округ	ежедневно, круглосуточно	55.752136	37.587784	4.5	неизвестно	Средний счёт:от 0 ₽	0.0	0.0	0.0	True	200.0	улица Новый Арбат	True	0.0

Вывод по разделу

К содержанию

Было создано 4 новых столбца: "midle_pint" со средней стоимостью бокала пива, "street" с названием улицы, где находится заведение, "is_24_7" со значениями true-заведение является круглосуточным, false-заведение не является круглосуточным, и "avg" - единый столбец со средним чеком заведения (содержит средний чек, стоимость чашки кофе или стоимость бокала пива, в зависимости от того какие данные были в исходном файле).

Данные были приведены к оптимальным типам переменных

Данные были проверены на явные дубликаты и на дубликаты по паре значений название+адрес. Явных дубликатов в таблице нет, однако есть часто повтряющиеся названия, причем некоторые из заведений с одинаковыми названиями сетевые, а некоторые нет, так же есть похожие названия которые возможно принадлежат к одной сети (например сеть surf coffee представлена в датафрейме как несетевые кофейни с разными названиями). Поэтому качественно очистить данные от неявных дубликатов невозможно. Если бы в данных присутвовали уникальные идентификаторы сетей и заведений, можно было бы воспользоваться ими, например можно добавить столбец с ИНН организации, тогда можно было бы группировать данные по нему, наиболее точно выбрать сетевые и несетевые заведения и качественно избавиться от неявных дубликатов в названиях.

Есть 536 пропусков в часах работы, их не получится заполнить.

5091 пропуск в категории цен, если для этих строк есть значения диапозона среднего чека (avg_bill), их можно будет заполнить, задав категории цен для каждой категории заведения.

4590 пропусков в значениях диапозона среднего чека можно заполнить, если для этих строк есть категория цен.

5257 пропусков в middle_avg_bill можно заполнить если значение диапозона среднего чека начинается с подстроки "Средний счёт:"

7871 пропуск в middle_coffee_cup можно заполнить если значение диапозона среднего чека начинается с подстроки "Цена чашки капучино"

8274 пропуска в middle_pint можно заполнить если значение диапозона среднего чека начинается с подстроки "Цена бокала пива"

3611 пропусков в количестве посадочных мест заполнить не получится, однако стоит проверить, для каких категорий заведений отсутствуют эти данные.

27 пропусков в street не получится заполнить.

Были выбраны границы ценовых диапазонов для каждой категории и перезаполнены категории цен.

Анализ данных

К содержанию

Изучение данных в разрезе категорий

К содержанию

Какие категории заведений представлены в данных? Исследуйте количество объектов общественного питания по категориям: рестораны, кофейни, пиццерии, бары и так далее. Постройте визуализации. Ответьте на вопрос о распределении заведений по категориям.

df.groupby('category')['name'].count().reset_index().sort_values(by='name', ascending=False)

	category	name
3	кафе	2378
6	ресторан	2043
4	кофейня	1413
0	бар,паб	765
5	пиццерия	633
2	быстрое питание	603
7	столовая	315
1	булочная	256

plt.figure(figsize=(17,7))
sns.barplot(x='category', 
            y='name', 
            data=df.groupby('category')['name'].count().reset_index().sort_values(by='name', ascending=False))
plt.title('Расперделение заведений общественного питания Москвы по категориям')
plt.xlabel('Категория')
plt.ylabel('Количество заведений')
plt.grid()
plt.show()

В таблице представлены 8 категорий заведений : "кафе", "ресторан", "кофейня", "бар,паб","пиццерия","быстрое питание","столовая" и "булочная". Кафе и рестораны составляют больше половины всех заведений Москвы. Четверть занимают кофейни и бары, и еще четверть приходитсяна пиццерии, заведения быстрого питания, столовые и булочные.

Изучение данных в разрезе количества посадочных мест

К содержанию

Исследуйте количество посадочных мест в местах по категориям: рестораны, кофейни, пиццерии, бары и так далее. Постройте визуализации. Проанализируйте результаты и сделайте выводы.

Сколько всего человек могут одновременно вместить заведения Москвы?

К содержанию

df.groupby('category')['seats'].sum()

category
бар,паб             58281.0
булочная            13229.0
быстрое питание     34513.0
кафе               118770.0
кофейня             83511.0
пиццерия            40350.0
ресторан           154869.0
столовая            16359.0
Name: seats, dtype: float64

plt.figure(figsize=(17,7))
sns.barplot(x='category', y='seats', data=df.groupby('category')['seats'].sum().reset_index().sort_values(by='seats', ascending=False))
plt.title('Расперделение заведений общественного питания Москвы по категориям')
plt.xlabel('Категория')
plt.ylabel('Количество заведений')
plt.grid()
plt.show()

df.groupby('category')['seats'].sum().sum()

519882.0

Заведения Москвы с указанным количеством мест (около трети этих данных пропущено) могут одновременно вместить более полумиллиона человек, это около 4% от населения Москвы на 2022 год. При этом больше половины посадочных мест находятся в кафе и ресторанах. Выпить в барах и пабах Москвы могут одновременно 58 тысяч человек, а поужинать в ресторанах почти 155 тысяч.

Посмотрим на распределение заведений по количеству посадочных мест

К содержанию

x_values = pd.Series(range(0, len(df)))
fig = px.scatter(df,
                 x=x_values,
                 y='seats', opacity=0.5)

fig.update_layout(title='Точечная диаграмма распределения количества посадочных мест в заведениях',
                   xaxis_title='',
                   yaxis_title='Количество посадочных мест')

fig.show()

Выше отметки в 400 мест видны единичные случаи, будем считать их выбросами и построим гистограмму с ограничением посадочных мест до 400.

plt.figure(figsize=(17,7))
sns.histplot(x='seats', data=df, kde=True, line_kws={'lw': 3})
# указываем заголовок графика и подписи осей средствами matplotlib
plt.title('Распределение количества посадочных мест по заведениям')
plt.xlabel('Количество мест')
plt.ylabel('Количество заведений')
plt.xlim(0,400)
# отображаем график на экране
plt.show()

Пик количества посадочных мест приходится на 40-60.

Медианное количество мест по категориям.

К содержанию

plt.figure(figsize=(17, 7))
sns.barplot(data=df.groupby('category')['seats'].median().reset_index().sort_values(by='seats', ascending=False), x='category', y='seats')
plt.title('Медианное количество посадочных мест в разрезе категорий', fontsize=18)
plt.ylabel('Количество посадочных мест', fontsize=16)
plt.xlabel('Категория заведения', fontsize=16)
plt.grid()
plt.xticks(rotation=45, fontsize=14)
plt.yticks(fontsize=14);

Самыми вместительными оказались рестораны, бары и кофейни (окло 80 мест в заведении), меньше всего людей вмещают булочные и пиццерии (около 50)

Есть ли разница в количестве посадочных мест для сетевых и несетевых заведений?

К содержанию

plt.figure(figsize=(17, 7))
sns.barplot(data=df.groupby(['category', 'chain'])['seats'].median().reset_index().sort_values(by='seats', ascending=False),x='category',y='seats', hue='chain')
plt.title('Медианное количество посадочных мест в сетевых и несетевых заведениях в разрезе категорий', fontsize=18)
plt.ylabel('Количество посадочных мест', fontsize=16)
plt.xlabel('Категория заведения', fontsize=16)
plt.grid()
plt.xticks(rotation=45, fontsize=14)
plt.yticks(fontsize=14);

В несетевых барах и пиццериях медианное количество мест немного больше, а в остальных 6 категориях сетевые заведения более вместительны, особенно это касается кофеен и заведений быстрого питания.

Есть ли разница в количестве посадочных мест для круглосуточных и некруглосуточных заведений?

К содержанию

plt.figure(figsize=(17, 7))
sns.barplot(data=df.groupby(['category', 'is_24_7'])['seats'].median().reset_index().sort_values(by='seats', ascending=False),x='category',y='seats', hue='is_24_7')
plt.title('Медианное количество посадочных мест в разрезе категорий', fontsize=18)
plt.ylabel('Количество посадочных мест', fontsize=16)
plt.xlabel('Категория заведения', fontsize=16)
plt.grid()
plt.xticks(rotation=45, fontsize=14)
plt.yticks(fontsize=14);

В круглосуточных барах и булочных медианное количество мест немного больше, в кофейнях разницы почти нет, а в остальных 5категориях некруглосуточные заведения более вместительны, особенно это касается столовых и заведений быстрого питания.

Изучение данных в разрезе сетевых и несетевых заведений

К содержанию

Рассмотрите и изобразите соотношение сетевых и несетевых заведений в датасете. Каких заведений больше? Какие категории заведений чаще являются сетевыми? Исследуйте данные и ответьте на вопрос графиком.

# строим столбчатую диаграмму 
fig = px.bar(df.groupby('chain')['name'].count().reset_index(),
             x='name',
             y='chain',
             text='name')
# оформляем график
fig.update_layout(title='Соотношение количества сетевых и несетевых заведений',
                   xaxis_title='Количество заведений',
                   yaxis_title='Тип заведения (сетевое/несетевое)')
fig.show() # выводим график

df.groupby('chain')['name'].count().plot(kind='pie',
    subplots=True,  
    autopct ='%1.1f%%', 
    legend=False, 
    figsize=(7,7), 
    fontsize=9, 
    ylabel='', 
    title='Соотношение сетевых и несетевых заведений');

Несетевых заведений на 2000 больше чем несетевых. В процентном соотношении cетевые заведения составляют 38.1% а несетевые 61.9%.

Какие категории заведений чаще являются сетевыми?

К содержанию

sns.catplot(y="name", 
            x="category",
            hue="chain",
            data=df.groupby(['category', 'chain'])['name'].count().reset_index().sort_values(by='name', ascending=False),
            kind="bar",
            height=7, aspect=2.5, legend=False)
plt.title('Соотношение количества сетевых и несетевых заведений по категориям', fontsize=18)
plt.ylabel('Количество заведений', fontsize=16)
plt.xlabel('Категория заведения', fontsize=16)
plt.grid()
plt.legend(fontsize=14, loc='upper left')
plt.xticks(rotation=45, fontsize=14)
plt.yticks(fontsize=14);

Сетевые булочные, кофейни и пиццерии встречаются немного чаше чем несетевые. Несетевых кафе, ресторанов и баров гораздо больше чем стевых

Топ-15 популярных сетей в Москве

К содержанию

Сгруппируйте данные по названиям заведений и найдите топ-15 популярных сетей в Москве. Под популярностью понимается количество заведений этой сети в регионе. Постройте подходящую для такой информации визуализацию. Знакомы ли вам эти сети? Есть ли какой-то признак, который их объединяет? К какой категории заведений они относятся?

top_15_chain = df[
    df['chain']==True
].groupby(
    ['name','category']
).agg({'address':'count', 
       'seats':'median', 
       'rating':'median', 
       'price':'first'}).reset_index().sort_values(
    by='address', 
    ascending=False).head(15)
top_15_chain

	name	category	address	seats	rating	price
1126	шоколадница	кофейня	119	96.0	4.2	средние
496	домино'с пицца	пиццерия	76	40.0	4.2	средние
489	додо пицца	пиццерия	74	52.0	4.3	низкие
205	one price coffee	кофейня	71	99.5	4.2	неизвестно
1142	яндекс лавка	ресторан	69	46.0	4.0	неизвестно
72	cofix	кофейня	65	87.5	4.1	неизвестно
241	prime	ресторан	49	97.0	4.2	низкие
617	кофепорт	кофейня	42	85.0	4.2	низкие
632	кулинарная лавка братьев караваевых	кафе	39	70.0	4.4	средние
963	теремок	ресторан	36	87.5	4.1	низкие
50	cofefest	кофейня	31	60.0	4.0	неизвестно
1050	чайхана	кафе	26	50.0	4.1	средние
384	буханка	булочная	25	50.0	4.4	неизвестно
89	drive café	кафе	24	53.5	4.1	неизвестно
615	кофемания	кофейня	22	120.0	4.4	выше среднего

Заполним неизвестные категории цен

df[df['name']=='one price coffee']['price'].value_counts()

неизвестно    66
низкие         6
Name: price, dtype: int64

df[df['name']=='яндекс лавка']['price'].value_counts()

неизвестно    69
Name: price, dtype: int64

df[df['name']=='cofix']['price'].value_counts()

низкие        35
неизвестно    30
Name: price, dtype: int64

df[df['name']=='cofefest']['price'].value_counts()

неизвестно    25
низкие         5
средние        2
Name: price, dtype: int64

df[df['name']=='буханка']['price'].value_counts()

неизвестно    28
низкие         4
Name: price, dtype: int64

df[df['name']=='drive café']['price'].value_counts()

неизвестно    24
Name: price, dtype: int64

top_15_chain.loc[205,'price'] = 'низкие'
top_15_chain.loc[72,'price'] = 'низкие'
top_15_chain.loc[50,'price'] = 'низкие'
top_15_chain.loc[384,'price'] = 'низкие'
top_15_chain.loc[632,'name'] = 'братья караваевы'
top_15_chain

	name	category	address	seats	rating	price
1126	шоколадница	кофейня	119	96.0	4.2	средние
496	домино'с пицца	пиццерия	76	40.0	4.2	средние
489	додо пицца	пиццерия	74	52.0	4.3	низкие
205	one price coffee	кофейня	71	99.5	4.2	низкие
1142	яндекс лавка	ресторан	69	46.0	4.0	неизвестно
72	cofix	кофейня	65	87.5	4.1	низкие
241	prime	ресторан	49	97.0	4.2	низкие
617	кофепорт	кофейня	42	85.0	4.2	низкие
632	братья караваевы	кафе	39	70.0	4.4	средние
963	теремок	ресторан	36	87.5	4.1	низкие
50	cofefest	кофейня	31	60.0	4.0	низкие
1050	чайхана	кафе	26	50.0	4.1	средние
384	буханка	булочная	25	50.0	4.4	низкие
89	drive café	кафе	24	53.5	4.1	неизвестно
615	кофемания	кофейня	22	120.0	4.4	выше среднего

top_15_chain['category'].value_counts()

кофейня     6
кафе        3
ресторан    3
пиццерия    2
булочная    1
Name: category, dtype: int64

fig = px.pie(top_15_chain.groupby('category')['name'].count().reset_index(), 
             values='name', 
             names='category', 
             title='Распределение категорий среди топ-15 сетей')
fig.show()

plt.figure(figsize=(17, 7))
sns.barplot(x='name', y='address', data=top_15_chain)
plt.title('Диаграмма количества заведений топ-15 самых крупных сетей', fontsize=18)
plt.ylabel('Количество заведений', fontsize=16)
plt.xlabel('Название сети', fontsize=16)
plt.grid()
plt.xticks(rotation=60)
plt.yticks(fontsize=14);

Более трети самых популярных сетевых заведений занимают кофейни. Самая популярная сеть кофеен "Шоколадница" насчитывает 119 заведений в Москве, далее две пицерии Доминос(76) и До-до(74).

fig = px.pie(top_15_chain.groupby('category')['address'].sum().reset_index(), 
             values='address', 
             names='category', 
             title='Распределение заведений топ-15 популярных сетей по категориям')
fig.show()

Если считать заведения, а не категории, то кофейни составляют уже 45,6%, рестораны 20,1%, а пиццерии 19,5%.

Рассмотрим медианное количество посадочных мест в заведениях топ-15 сетей.

К содержанию

plt.figure(figsize=(17, 7))
sns.barplot(x='name', y='seats', data=top_15_chain.sort_values(by='seats', ascending=False))
plt.title('Диаграмма количества посадочных мест в заведениях топ-15 самых крупных сетей', fontsize=18)
plt.ylabel('Количество посадочных мест', fontsize=16)
plt.xlabel('Название сети', fontsize=16)
plt.grid()
plt.xticks(rotation=60)
plt.yticks(fontsize=14);

В среднем в заведениях топ-15 сетей около 60 мест, меньше всего в До-до (40), больше всего в Кофемании(120

Расмотрим медианные рейтинги

К содержанию

plt.figure(figsize=(17, 7))
sns.barplot(x='name', y='rating', data=top_15_chain.sort_values(by='rating', ascending=False))
plt.title('Диаграмма медианного рейтинга заведений топ-15 самых крупных сетей', fontsize=18)
plt.ylabel('Медианный рейтинг', fontsize=16)
plt.xlabel('Название сети', fontsize=16)
plt.grid()
plt.ylim(3.6,4.6)
plt.xticks(rotation=60)
plt.yticks(fontsize=14);

Медианные рейтинги от 4,0 до 4,4. Ниже всего у Яндекс лавки и Сofefest, самые высокие у Братьев Караваевых, Буханки и Кофемании.

Расмотрим ценовые категории

К содержанию

top_15_chain['price'].value_counts()

низкие           8
средние          4
неизвестно       2
выше среднего    1
Name: price, dtype: int64

fig = px.pie(top_15_chain.groupby('price')['address'].sum().reset_index(), 
             values='address', 
             names='price', 
             title='Распределение заведений топ-15 популярных сетей по категориям цен')
fig.show()

Если ценовая категория известна, в 51% случаев она относится к низким, в 34 к средним, и в 3% к категории выше среднего

Изучение данных в разрезе административныз районов

К содержанию

Какие административные районы Москвы присутствуют в датасете? Отобразите общее количество заведений и количество заведений каждой категории по районам. Попробуйте проиллюстрировать эту информацию одним графиком.

df_distr = df.groupby(['district', 'category'])['name'].count().reset_index().sort_values(['district', 'name'])
fig = px.bar(df_distr, x='district', y='name', color='category', text='category', title='Расперделение заведений по округам')
fig.update_layout(width=1000, # указываем размеры графика
                  height=1000)
fig.update_xaxes(title_text='Округ') # подпись для оси X
fig.update_yaxes(title_text='Количество заведений')
fig.show()

В таблице представлено 9 административных районов Москвы:Центральный, Северный, Южный, Северо-Восточный, Западный, Восточный, Юго-Восточный, Юго-Западный, Северо-Западный.

В центральном округе заведений больше всего, меньше всего в Северо-Западном.

Во всех округах кроме Центрального самая обширная категория заведений - кафе, в Центральном самая популярная категория - ресторан, далее кафе, кофейни и бары. Кофейни обычно третья по численности группа (исключение - Северный АО, там кофейни на втором месте). Самые редкие заведения во всех районах - столовые и булочные.

mos_stat = pd.DataFrame({
    'district': [
        'Центральный административный округ', 
        'Северный административный округ', 
        'Южный административный округ', 
        'Западный административный округ', 
        'Восточный административный округ', 
        'Северо-Восточный административный округ', 
        'Северо-Западный административный округ', 
        'Юго-Восточный административный округ', 
        'Юго-Западный административный округ'], 
    'population': [
        779352, 
        1186128, 
        1791187, 
        1395986, 
        1524265, 
        1432571, 
        1011387, 
        1431746, 
        1446432]})

# данные за 2021 год (не нашла такое на 2022) взяты с сайта https://www.statdata.ru/naselenie-moskvy-po-okrugam-i-rajonam

mos_stat = mos_stat.merge(df.groupby('district').agg({'name':'count', 'seats':'sum'}), on='district')
mos_stat['place_for_1000'] = round((mos_stat['name']/mos_stat['population'])*1000, 2)
mos_stat['seats_for_1000'] = round((mos_stat['seats']/mos_stat['population'])*1000, 2)
mos_stat

	district	population	name	seats	place_for_1000	seats_for_1000
0	Центральный административный округ	779352	2242	143765.0	2.88	184.47
1	Северный административный округ	1186128	900	62415.0	0.76	52.62
2	Южный административный округ	1791187	892	62323.0	0.50	34.79
3	Западный административный округ	1395986	851	74237.0	0.61	53.18
4	Восточный административный округ	1524265	798	34784.0	0.52	22.82
5	Северо-Восточный административный округ	1432571	891	49900.0	0.62	34.83
6	Северо-Западный административный округ	1011387	409	25518.0	0.40	25.23
7	Юго-Восточный административный округ	1431746	714	28732.0	0.50	20.07
8	Юго-Западный административный округ	1446432	709	38208.0	0.49	26.42

plt.figure(figsize=(15, 5))
ax1 = plt.subplot(1, 2, 1)
sns.heatmap(
    mos_stat.set_index('district')[['place_for_1000']], ax=ax1, vmax=1).set(
    title='Количество заведений на 1000 человек', 
    xlabel='', 
    ylabel='Округ')

ax2 = plt.subplot(1, 2, 2)
sns.heatmap(
    mos_stat.set_index('district')[['seats_for_1000']], ax=ax2, vmax=70).set(
    title='Количество посадочных мест на 1000 человек', 
    xlabel='', 
    ylabel='')
plt.yticks([])
;

''

В центральном округе на 1000 человек приходится 2,88 заведений и 184.47 посадочных мест, наблюдается высокая концентрация заведений при низкой численности населения. Большое количество заведений объясняется тем, что центральный округ является местом досуга для многих москвичей. Далее идут Северный, Северо-Восточный и Западный АО, там на 1000 человек приходися от 0,61 до 0,76 заведений и от 34 до 53 посадочных мест.

Самое низкое количество заведений на 1000 человек наблюдается в Северо-западном округе (0,4 заведения на 1000 чел), при этом количество посадочных мест там не минимальное, значит в том округе есть несколько крупных заведений. Далее идут Юго-Западный, Юго_восточный и Южный АО, там на 1000 человек приходится 0,5 заведения и от 20 до 35 посадочных мест. Скорее всего это связано с высокой плотностью населения в этих АО.

Распределение заведений по Москве непропорционально плотности населения, вероятно оно связано с уровнем дохода населения, транспортной доступностью, наличием пешеходных улиц, парков, развлекательных и торговых центров, достопримечательностей и других мест досуга.

Изучение данных в разрезе рейтингов

К содержанию

Визуализируйте распределение средних рейтингов по категориям заведений. Сильно ли различаются усреднённые рейтинги в разных типах общепита?

plt.figure(figsize=(17, 7))
sns.barplot(
    x='category', 
    y='rating', 
    data=df.groupby('category')['rating'].mean().reset_index().sort_values(by='rating', ascending=False)) 
plt.title('Распределение средних рейтингов по категориям заведений')
plt.xlabel('Категория')
plt.ylabel('Средний рейтинг')
plt.ylim(3.5,4.75)
plt.xticks(rotation=45)
plt.grid();

plt.figure(figsize=(17, 7))
sns.barplot(data=df.groupby(['category', 'chain'])['rating'].mean().reset_index().sort_values(by='rating',ascending=False), 
            x="category", 
            y="rating", 
            hue='chain')
plt.ylim(3.8,4.6)
plt.xticks(rotation=45)
plt.title('Распределение средних рейтингов по категориям заведений с разбивкой на сетевые и несетевые')
plt.grid()
plt.xlabel('Средний рейтинг')
plt.ylabel('Категория заведения');

Самые высокие рейтинги у баров и пабов, медианное значение почти 4,4, а самые низкие у заведений быстрого питания примерно 4,05. При этом у сетевых ресторанов и кофеен рейтинги примерно на 0,1 балла меньше чем у несетевых, а с кафе ситуация обратная: сетевые заведения выигрывают на 0,1 балла по сравнению с несетевыми.

Постройте фоновую картограмму (хороплет) со средним рейтингом заведений каждого района

К содержанию

rating_df = df.groupby('district', as_index=False)['rating'].agg('mean')
rating_df

	district	rating
0	Восточный административный округ	4.174185
1	Западный административный округ	4.181551
2	Северный административный округ	4.239778
3	Северо-Восточный административный округ	4.148260
4	Северо-Западный административный округ	4.208802
5	Центральный административный округ	4.377520
6	Юго-Восточный административный округ	4.101120
7	Юго-Западный административный округ	4.172920
8	Южный административный округ	4.184417

with open('/datasets/admin_level_geomap.geojson', 'r') as f:
    geo_json = json.load(f)

state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=rating_df,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Самые высокие рейтинги в центральном, северном и северо-западном округах, самые низкие в юго-восточном.

Отобразите все заведения датасета на карте

К содержанию

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

marker_cluster = MarkerCluster().add_to(m)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['category']} {row['rating']} {row['price']}", 
    ).add_to(marker_cluster)

df.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Большая часть заведений сосредоточена в центре.

Найдите топ-15 улиц по количеству заведений

К содержанию

Найдите топ-15 улиц по количеству заведений. Постройте график распределения количества заведений и их категорий по этим улицам. Попробуйте проиллюстрировать эту информацию одним графиком.

df_top_15_streets = df.groupby('street')['name'].count().reset_index().sort_values(by='name', ascending=False).head(15)
df_top_15_streets

	street	name
1093	проспект Мира	184
777	Профсоюзная улица	122
1090	проспект Вернадского	108
529	Ленинский проспект	107
527	Ленинградский проспект	95
377	Дмитровское шоссе	88
459	Каширское шоссе	77
300	Варшавское шоссе	76
528	Ленинградское шоссе	70
554	МКАД	65
551	Люблинская улица	60
1163	улица Вавилова	55
521	Кутузовский проспект	54
1320	улица Миклухо-Маклая	49
785	Пятницкая улица	48

df_top_streets = df.query('street in @df_top_15_streets["street"]')
df_top_streets

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
8	donna maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	низкие	Средний счёт:от 500 ₽	500.0	0.0	0.0	False	79.0	Дмитровское шоссе	False	500.0
12	заправка	кафе	Москва, МКАД, 80-й километр, 1	Северный административный округ	вт-сб 09:00–18:00	55.899938	37.517958	4.3	средние	Средний счёт:330 ₽	330.0	0.0	0.0	False	NaN	МКАД	False	330.0
17	чайхана беш-бармак	ресторан	Москва, Ленинградское шоссе, 71Б, стр. 2	Северный административный округ	ежедневно, круглосуточно	55.876908	37.449876	4.4	низкие	Средний счёт:350–500 ₽	425.0	0.0	0.0	False	96.0	Ленинградское шоссе	True	425.0
26	пикочино	пиццерия	Москва, Дмитровское шоссе, 107к2	Северный административный округ	пн-чт 11:00–22:00; пт,сб 11:00–23:00; вс 11:00–22:00	55.879390	37.541228	4.5	средние	Средний счёт:300–1500 ₽	900.0	0.0	0.0	False	NaN	Дмитровское шоссе	False	900.0
28	mafe	кафе	Москва, МКАД, 78-й километр, 14к1	Северный административный округ	ежедневно, 10:00–19:00	55.893061	37.501319	3.8	средние	Средний счёт:400–600 ₽	500.0	0.0	0.0	False	NaN	МКАД	False	500.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8356	назис пури	кофейня	Москва, Люблинская улица, 61	Юго-Восточный административный округ	ежедневно, 09:00–22:00	55.684103	37.738588	4.5	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Люблинская улица	False	0.0
8396	пекинский двор	ресторан	Москва, Ленинский проспект, 158	Западный административный округ	ежедневно, 11:00–23:00	55.651706	37.482667	4.3	выше среднего	Средний счёт:1000–1500 ₽	1250.0	0.0	0.0	False	200.0	Ленинский проспект	False	1250.0
8401	суши мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	неизвестно	NaN	0.0	0.0	0.0	False	86.0	Профсоюзная улица	False	0.0
8403	самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	низкие	Средний счёт:от 150 ₽	150.0	0.0	0.0	False	150.0	Люблинская улица	True	150.0
8404	чайхана sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	неизвестно	NaN	0.0	0.0	0.0	True	150.0	Люблинская улица	True	0.0

1258 rows × 18 columns

df_street = df_top_streets.groupby(['street', 'category'])['name'].count().reset_index().sort_values(['street', 'name'])
fig = px.bar(df_street, x='street', y='name', color='category', text='category', title='Распределение заведений на самых популярных улиц')
fig.update_layout(width=1000, # указываем размеры графика
                  height=800)
fig.update_xaxes(title_text='Улица') # подпись для оси X
fig.update_yaxes(title_text='Количество заведений')
fig.show()

plt.figure(figsize=(17,7))
sns.histplot(x='seats', data=df_top_streets, kde=True, line_kws={'lw': 3})
# указываем заголовок графика и подписи осей средствами matplotlib
plt.title('Распределение количества посадочных мест по заведениям')
plt.xlabel('Количество мест')
plt.ylabel('Количество заведений')
plt.xlim()
plt.grid()
# отображаем график на экране
plt.show()

Самое большое количество заведение на Проспекте мира, далее Профсоюзная улица, проспект Вернадского, Ленинский проспект, Ленинградский проспект и Дмитровское шосее.

Все улицы попавшие в топ-15 довольно протяженные, частично большон количество заведений объясняется этим.

на этих улицах довольно много крупных заведений, около 25 заведений с числом посадочных мест от 600 до 650, и около 15 заведений с числом посадочных мест от 1200.

Найдите улицы, на которых находится только один объект общепита

К содержанию

Найдите улицы, на которых находится только один объект общепита. Что можно сказать об этих заведениях?

df_1_street = df.groupby('street')['name'].count().reset_index()
df_1_street = df_1_street.query('name == 1')
df_1_street

	street	name
0	1-й Автозаводский проезд	1
1	1-й Балтийский переулок	1
2	1-й Варшавский проезд	1
3	1-й Вешняковский проезд	1
5	1-й Голутвинский переулок	1
...	...	...
1444	улица Чистова	1
1447	улица Шкулёва	1
1448	улица Шкулёва 4	1
1450	улица Шухова	1
1453	улица Юннатов	1

467 rows × 2 columns

df_1_streets = df.query('street in @df_1_street["street"]')
load(df_1_streets)

Первые 10 строк таблицы:

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
15	дом обеда	столовая	Москва, улица Бусиновская Горка, 2	Северный административный округ	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	0.0	0.0	False	180.0	улица Бусиновская Горка	False	400.0
21	7/12	кафе	Москва, Прибрежный проезд, 7	Северный административный округ	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Прибрежный проезд	False	0.0
25	в парке вкуснее	кофейня	Москва, парк Левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	неизвестно	NaN	0.0	0.0	0.0	True	NaN	парк Левобережный	False	0.0
58	coffeekaldi's	кофейня	Москва, Угличская улица, 13, стр. 8	Северо-Восточный административный округ	ежедневно, 09:00–22:00	55.900316	37.570558	4.1	средние	Средний счёт:500–800 ₽	650.0	0.0	0.0	True	NaN	Угличская улица	False	650.0
60	чебуречная история	кофейня	Москва, ландшафтный заказник Лианозовский	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.899845	37.570488	4.9	неизвестно	NaN	0.0	0.0	0.0	True	NaN	ландшафтный заказник Лианозовский	False	0.0
64	testo мания	кофейня	Москва, Лианозовский парк культуры и отдыха	Северо-Восточный административный округ	ежедневно, 09:00–21:00	55.900058	37.570544	4.1	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Лианозовский парк культуры и отдыха	False	0.0
71	cofefest	кофейня	Москва, Новгородская улица, 23А	Северо-Восточный административный округ	пн-пт 08:00–19:00	55.901799	37.577672	4.1	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Новгородская улица	False	0.0
73	веранда	ресторан	Москва, парк Алтуфьево	Северо-Восточный административный округ	пн-пт 11:00–22:00; сб,вс 11:00–23:00	55.906875	37.582493	4.2	неизвестно	NaN	0.0	0.0	0.0	True	NaN	парк Алтуфьево	False	0.0
97	жигулевское	бар,паб	Москва, Бибиревская улица, 7к2	Северо-Восточный административный округ	пн-чт 14:00–00:00; пт,сб 14:00–02:00; вс 14:00–00:00	55.879733	37.593734	4.5	низкие	Цена бокала пива:90–230 ₽	0.0	0.0	160.0	False	NaN	Бибиревская улица	False	160.0
103	тетри	быстрое питание	Москва, Лианозовский проезд, вл1	Северо-Восточный административный округ	вт-вс 09:00–19:00	55.896922	37.554929	4.0	низкие	Средний счёт:150–250 ₽	200.0	0.0	0.0	False	NaN	Лианозовский проезд	False	200.0

Иноформация о таблице:

<class 'pandas.core.frame.DataFrame'>
Int64Index: 467 entries, 15 to 8400
Data columns (total 18 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               467 non-null    object 
 1   category           467 non-null    object 
 2   address            467 non-null    object 
 3   district           467 non-null    object 
 4   hours              441 non-null    object 
 5   lat                467 non-null    float64
 6   lng                467 non-null    float64
 7   rating             467 non-null    float64
 8   price              467 non-null    object 
 9   avg_bill           195 non-null    object 
 10  middle_avg_bill    467 non-null    float64
 11  middle_coffee_cup  467 non-null    float64
 12  middle_pint        467 non-null    float64
 13  chain              467 non-null    bool   
 14  seats              156 non-null    float64
 15  street             467 non-null    object 
 16  is_24_7            467 non-null    bool   
 17  avg                467 non-null    float64
dtypes: bool(2), float64(8), object(8)
memory usage: 62.9+ KB

None

Количество дубликатов в таблице:

0

Количество пропусков в таблице:

name                   0
category               0
address                0
district               0
hours                 26
lat                    0
lng                    0
rating                 0
price                  0
avg_bill             272
middle_avg_bill        0
middle_coffee_cup      0
middle_pint            0
chain                  0
seats                311
street                 0
is_24_7                0
avg                    0
dtype: int64

Процентное соотношение пропусков к общему числу значений для каждого столбца

	0
name	0.000000
category	0.000000
address	0.000000
district	0.000000
hours	6.000000
lat	0.000000
lng	0.000000
rating	0.000000
price	0.000000
avg_bill	58.000000
middle_avg_bill	0.000000
middle_coffee_cup	0.000000
middle_pint	0.000000
chain	0.000000
seats	67.000000
street	0.000000
is_24_7	0.000000
avg	0.000000

df_1_streets['category'].value_counts()

кафе               161
ресторан            93
кофейня             85
бар,паб             41
столовая            37
быстрое питание     25
пиццерия            15
булочная            10
Name: category, dtype: int64

fig = px.pie(df_1_streets.groupby('category')['name'].count().reset_index(), 
             values='name', 
             names='category', 
             title='Расперделение заведений по категориям')
fig.show()

plt.figure(figsize=(17, 7))
sns.barplot(
    x='category', 
    y='name', 
    data=df_1_streets.groupby('category')['name'].count().reset_index().sort_values(by='name', ascending=False)) 
plt.title('Распределение заведений по категориям')
plt.xlabel('Категория')
plt.ylabel('Количество заведений')
plt.xticks(rotation=45)
plt.grid();

plt.figure(figsize=(17, 7))
sns.barplot(
    x='category', 
    y='rating', 
    data=df_1_streets.groupby('category')['rating'].mean().reset_index().sort_values(by='rating', ascending=False)) 
plt.title('распределение средних рейтингов по категориям заведений')
plt.xlabel('Категория')
plt.ylabel('Средний рейтинг')
plt.ylim(3.5,4.75)
plt.xticks(rotation=45)
plt.grid();

plt.figure(figsize=(17,7))
sns.histplot(x='seats', data=df_1_streets, kde=True, line_kws={'lw': 3})
# указываем заголовок графика и подписи осей средствами matplotlib
plt.title('Распределение количества посадочных мест по заведениям')
plt.xlabel('Количество мест')
plt.ylabel('Количество заведений')
plt.xlim()
# отображаем график на экране
plt.show()

plt.figure(figsize=(17, 7))
sns.barplot(data=df_1_streets,x='category',y='seats',estimator=np.median)
plt.title('Медианное количество посадочных мест в разрезе категорий', fontsize=18)
plt.ylabel('Количество посадочных мест', fontsize=16)
plt.xlabel('Категория заведения', fontsize=16)
plt.grid()
plt.xticks(rotation=45, fontsize=14)
plt.yticks(fontsize=14);

df_1_streets[df_1_streets['category']=='булочная']

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
177	арамье	булочная	Москва, улица 800-летия Москвы, 22, корп. 2	Северный административный округ	ежедневно, 09:00–21:00	55.879392	37.556832	4.0	неизвестно	NaN	0.0	0.0	0.0	True	0.0	улица 8	False	0.0
1972	буханка	булочная	Москва, улица Полины Осипенко, 10, корп. 1	Северный административный округ	ежедневно, 07:00–23:00	55.780418	37.534420	4.7	неизвестно	NaN	0.0	0.0	0.0	True	10.0	улица Полины Осипенко	False	0.0
2821	я щамс	булочная	Москва, Восточный административный округ, район Восточный, Главная улица, 21А	Восточный административный округ	ежедневно, 09:00–21:00	55.821211	37.870185	4.5	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Главная улица	False	0.0
3082	испанские пончики чуррос	булочная	Москва, Западный административный округ, район Крылатское, улица Крылатская, 18	Западный административный округ	пн-чт 10:00–22:00; пт-вс 10:00–23:00	55.771874	37.435601	4.2	неизвестно	NaN	0.0	0.0	0.0	False	NaN	улица Крылатская	False	0.0
3259	plov time	булочная	Москва, улица Пивченкова, 7	Западный административный округ	ежедневно, 09:00–22:00	55.735520	37.475576	4.4	неизвестно	NaN	0.0	0.0	0.0	False	12.0	улица Пивченкова	False	0.0
4387	осетинские пироги pir & rog	булочная	Москва, Дурасовский переулок, 1, стр. 1	Центральный административный округ	ежедневно, 10:00–20:00	55.755039	37.648942	4.9	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Дурасовский переулок	False	0.0
4649	барави	булочная	Москва, Мясницкий проезд, 2/1	Центральный административный округ	пн-пт 08:00–21:00; сб,вс 10:00–20:00	55.767964	37.646427	4.3	неизвестно	NaN	0.0	0.0	0.0	False	36.0	Мясницкий проезд	False	0.0
5832	пекарня буханка	булочная	Москва, 2-й переулок Петра Алексеева, 5	Западный административный округ	ежедневно, 09:00–20:00	55.717888	37.429627	4.5	неизвестно	NaN	0.0	0.0	0.0	True	NaN	2-й переулок Петра Алексеева	False	0.0
7013	пекарня	булочная	Москва, парк Зюзино	Юго-Западный административный округ	вт-вс 12:00–20:00	55.648510	37.586890	3.8	неизвестно	NaN	0.0	0.0	0.0	True	NaN	парк Зюзино	False	0.0
7260	бистро	булочная	Москва, Ереванская улица, 28, корп. 1	Южный административный округ	ежедневно, круглосуточно	55.627945	37.678431	4.1	неизвестно	NaN	0.0	0.0	0.0	False	240.0	Ереванская улица	True	0.0

fig = px.bar(df_1_streets.groupby('chain')['name'].count().reset_index(),
             x='name',
             y='chain',
             text='name')
# оформляем график
fig.update_layout(title='Соотношение количества сетевых и несетевых заведений',
                   xaxis_title='Количество заведений',
                   yaxis_title='Тип заведения (сетевое/несетевое)')
fig.show() # выводим график

fig = px.bar(df_1_streets.groupby('is_24_7')['name'].count().reset_index(),
             x='name',
             y='is_24_7',
             text='name')
# оформляем график
fig.update_layout(title='Соотношение количества круглосуточных и обычных заведений',
                   xaxis_title='Количество заведений',
                   yaxis_title='Тип заведения (Круглосуточное/обычное)')
fig.show() # выводим график

Есть 467 улиц, на которых располагается только одно заведение, три четверти от них это кафе, рестораны и кофейни. Это небольшие заведения в них не более 250 мест, в среднем 50. Рейтинги распределены примерно так же как и по Москве в целом. В основном это несетевые заведения, почти все некруглосуточные.

Как удалённость от центра влияет на цены в заведениях?

К содержанию

price_df = df.groupby('district', as_index=False)['avg'].agg('mean')
price_df

	district	avg
0	Восточный административный округ	279.015664
1	Западный административный округ	392.019976
2	Северный административный округ	350.293333
3	Северо-Восточный административный округ	255.470819
4	Северо-Западный административный округ	328.006112
5	Центральный административный округ	586.516949
6	Юго-Восточный административный округ	187.992997
7	Юго-Западный административный округ	273.976023
8	Южный административный округ	305.981502

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=price_df,
    columns=['district', 'avg'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний чек заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Самые дорогие заведения располагаются в центральном, западном, северо-западном и северном округах. Самые дешевые в юго-восточном

Вывод по разделу

К содержанию

В таблице представлены 8 категорий заведений : "кафе", "ресторан", "кофейня", "бар,паб","пиццерия","быстрое питание","столовая" и "булочная". Кафе и рестораны составляют больше половины всех заведений Москвы. Четверть занимают кофейни и бары, и еще четверть приходитсяна пиццерии, заведения быстрого питания, столовые и булочные. Для визуализации использована интерактивная круговая диаграмма, так как она позволяет наглядно показать доли от общего количества и абсолютное количество заведений.

Заведения Москвы с указанным количеством мест (около трети этих данных пропущено) могут одновременно вместить более полумиллиона человек, это около 4% от населения Москвы на 2022 год. При этом больше половины посадочных мест находятся в кафе и ресторанах. Выпить в барах и пабах Москвы могут одновременно 58 тысяч человек, а поужинать в ресторанах почти 155 тысяч.

Пик количества посадочных мест приходится на 40-60.

Самыми вместительными оказались рестораны, бары и кофейни (окло 80 мест в заведении), меньше всего людей вмещают булочные и пиццерии (около 50)

В несетевых барах и пиццериях медианное количество мест немного больше, а в остальных 6 категориях сетевые заведения более вместительны, особенно это касается кофеен и заведений быстрого питания.

В круглосуточных барах и булочных медианное количество мест немного больше, в кофейнях разницы почти нет, а в остальных 5 категориях некруглосуточные заведения более вместительны, особенно это касается столовых и заведений быстрого питания.

Несетевых заведений на 2000 больше чем несетевых. В процентном соотношении cетевые заведения составляют 38.1% а несетевые 61.9%.

Сетевые булочные, кофейни и пиццерии встречаются немного чаше чем несетевые. Несетевых кафе, ресторанов и баров гораздо больше чем стевых

Более трети самых популярных сетевых заведений занимают кофейни. Самая популярная сеть кофеен "Шоколадница" насчитывает 119 заведений в Москве, далее две пицерии Доминос(76) и До-до(74).

Если считать заведения, а не категории, то кофейни составляют уже 45,6%, рестораны 20,1%, а пиццерии 19,5%.

В среднем в заведениях топ-15 сетей около 60 мест, меньше всего в До-до (40), больше всего в Кофемании(120)

Медианные рейтинги от 4,0 до 4,4. Ниже всего у Яндекс лавки и Сofefest, самые высокие у Братьев Караваевых, Буханки и Кофемании.

Если ценовая категория известна, в 53% случаев она относится к низким, в 27 к средним, и в 7% к категории выше среднего

В таблице представлено 9 административных районов Москвы:Центральный, Северный, Южный, Северо-Восточный, Западный, Восточный, Юго-Восточный, Юго-Западный, Северо-Западный.

В центральном округе заведений больше всего, меньше всего в Северо-Западном.

Во всех округах кроме Центрального самая обширная категория заведений - кафе, в Центральном самая популярная категория - ресторан, далее кафе, кофейни и бары. Кофейни обычно третья по численности группа (исключение - Северный АО, там кофейни на втором месте). Самые редкие заведения во всех районах - столовые и булочные.

В центральном округе на 1000 человек приходится 2,88 заведений и 184.47 посадочных мест, наблюдается высокая концентрация заведений при низкой численности населения. Большое количество заведений объясняется тем, что центральный округ является местом досуга для многих москвичей. Далее идут Северный, Северо-Восточный и Западный АО, там на 1000 человек приходися от 0,61 до 0,76 заведений и от 34 до 53 посадочных мест.

Самое низкое количество заведений на 1000 человек наблюдается в Северо-западном округе (0,4 заведения на 1000 чел), при этом количество посадочных мест там не минимальное, значит в том округе есть несколько крупных заведений. Далее идут Юго-Западный, Юго_восточный и Южный АО, там на 1000 человек приходится 0,5 заведения и от 20 до 35 посадочных мест. Скорее всего это связано с высокой плотностью населения в этих АО.

Распределение заведений по Москве непропорционально плотности населения, вероятно оно связано с уровнем дохода населения, транспортной доступностью, наличием пешеходных улиц, парков, развлекательных и торговых центров, достопримечательностей и других мест досуга.

Самые высокие рейтинги у баров и пабов, медианное значение почти 4,4, а самые низкие у заведений быстрого питания примерно 4,05. При этом у сетевых ресторанов и кофеен рейтинги примерно на 0,1 балла меньше чем у несетевых, а с кафе ситуация обратная: сетевые заведения выигрывают на 0,1 балла по сравнению с несетевыми.

Самые высокие рейтинги в центральном, северном и северо-западном округах, самые низкие в юго-восточном.

Большая часть заведений сосредоточена в центре.

Самое большое количество заведение на Проспекте мира, далее Профсоюзная улица, проспект Вернадского, Ленинский проспект, Ленинградский проспект и Дмитровское шосее.

Все улицы попавшие в топ-15 довольно протяженные, частично большон количество заведений объясняется этим.

на этих улицах довольно много крупных заведений, около 25 заведений с числом посадочных мест от 600 до 650, и около 15 заведений с числом посадочных мест от 1200.

Есть 467 улиц, на которых располагается только одно заведение, три четверти от них это кафе, рестораны и кофейни. Это небольшие заведения в них не более 250 мест, в среднем 50. Рейтинги распределены примерно так же как и по Москве в целом. В основном это несетевые заведения, почти все некруглосуточные.

Самые дорогие заведения располагаются в центральном, западном, северо-западном и северном округах. Самые дешевые в юго-восточном

Детализация исследование: открытие кофейни

К содержанию

Сколько всего кофеен в датасете?

К содержанию

df_cof = df[df['category']=='кофейня']
len(df_cof)

1413

Всего по данным датафрейма в Москве 1413 кофеен

В каких районах их больше всего, каковы особенности их расположения?

К содержанию

df_cof.groupby('district')['name'].count().reset_index().sort_values(by='name', ascending=False)

	district	name
5	Центральный административный округ	428
2	Северный административный округ	193
3	Северо-Восточный административный округ	159
1	Западный административный округ	150
8	Южный административный округ	131
0	Восточный административный округ	105
7	Юго-Западный административный округ	96
6	Юго-Восточный административный округ	89
4	Северо-Западный административный округ	62

plt.figure(figsize=(17,7))
sns.barplot(x='district', y='name', data=df_cof.groupby('district')['name'].count().reset_index().sort_values(by='name', ascending=False))
plt.title('Расперделение кофеен по округам')
plt.xlabel('Округ')
plt.ylabel('Количество заведений')
plt.grid()
plt.xticks(rotation=45)
plt.show()

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=df_cof.groupby('district')['name'].count().reset_index(),
    columns=['district', 'name'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Количество заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

marker_cluster = MarkerCluster().add_to(m)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['price']} {row['rating']} {row['hours']} {row['seats']}", 
    ).add_to(marker_cluster)

df_cof.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=df_cof.groupby('district', as_index=False)['avg'].agg('mean'),
    columns=['district', 'avg'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний чек кофеен заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Больше всего кофеен в центральном округе (30,3% от общего количества), на втором месте по числу кофеен северный округ (13,7%), на третьем северо-восточный (11,3%). Меньше всего кофеен расположено в юго-восточном и северо-западном округах.

Самые дорогие заведения находятся в центре и на западе Москвы, самые дешевые на юго-западе и юго-востоке.

Есть ли круглосуточные кофейни?

К содержанию

df_cof.groupby('is_24_7')['name'].count()

is_24_7
False    1354
True       59
Name: name, dtype: int64

df_cof_24 = df_cof[df_cof['is_24_7']==True]
df_cof_24

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
200	wild bean	кофейня	Москва, Дмитровское шоссе, 107Е	Северный административный округ	ежедневно, круглосуточно	55.878477	37.543426	3.5	неизвестно	NaN	0.0	0.0	0.0	True	20.0	Дмитровское шоссе	True	0.0
971	wild bean cafe	кофейня	Москва, Ярославское шоссе, 116	Северо-Восточный административный округ	ежедневно, круглосуточно	55.867822	37.708853	4.0	неизвестно	NaN	0.0	0.0	0.0	True	25.0	Ярославское шоссе	True	0.0
1047	wild bean cafe	кофейня	Москва, Ярославское шоссе, вл3с3	Северо-Восточный административный округ	ежедневно, круглосуточно	55.851778	37.676423	4.5	низкие	Цена чашки капучино:140–200 ₽	0.0	170.0	0.0	True	NaN	Ярославское шоссе	True	170.0
1214	wild bean cafe	кофейня	Москва, МКАД, 65-й километр, 8	Северо-Западный административный округ	ежедневно, круглосуточно	55.813787	37.390701	4.3	неизвестно	NaN	0.0	0.0	0.0	True	NaN	МКАД	True	0.0
1291	шоколадница	кофейня	Москва, улица Народного Ополчения, 49, корп. 1	Северо-Западный административный округ	ежедневно, круглосуточно	55.794815	37.494834	4.2	средние	Средний счёт:650–850 ₽	750.0	0.0	0.0	True	200.0	улица Народного Ополчения	True	750.0
1468	кофе хауз	кофейня	Москва, Ленинградский проспект, 74	Северный административный округ	ежедневно, круглосуточно	55.805239	37.516246	4.0	средние	Цена чашки капучино:235–335 ₽	0.0	285.0	0.0	True	NaN	Ленинградский проспект	True	285.0
1790	кофемания	кофейня	Москва, Ленинградский проспект, 37А, корп. 14, стр. 6	Северный административный округ	ежедневно, круглосуточно	55.790899	37.542776	4.7	неизвестно	NaN	0.0	0.0	0.0	True	15.0	Ленинградский проспект	True	0.0
1825	you&coffee	кофейня	Москва, улица Золоторожский Вал, 11, стр. 21	Северный административный округ	ежедневно, круглосуточно	55.803924	37.582251	4.2	неизвестно	NaN	0.0	0.0	0.0	True	NaN	улица Золоторожский Вал	True	0.0
1883	кофемания	кофейня	Москва, Лесная улица, 5	Центральный административный округ	ежедневно, круглосуточно	55.777804	37.586346	4.4	высокие	Средний счёт:2000 ₽	2000.0	0.0	0.0	True	140.0	Лесная улица	True	2000.0
2030	cinnabon	кофейня	Москва, Долгоруковская улица, 40	Центральный административный округ	ежедневно, круглосуточно	55.778271	37.601991	4.2	неизвестно	NaN	0.0	0.0	0.0	True	230.0	Долгоруковская улица	True	0.0
2073	wild bean cafe	кофейня	Москва, Бутырская улица, 8А	Северо-Восточный административный округ	ежедневно, круглосуточно	55.797124	37.584781	3.1	неизвестно	NaN	0.0	0.0	0.0	True	0.0	Бутырская улица	True	0.0
2245	шоколадница	кофейня	Москва, Краснопрудная улица, 3-5с1	Центральный административный округ	ежедневно, круглосуточно	55.777882	37.661270	4.2	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Краснопрудная улица	True	0.0
2334	one price coffee	кофейня	Москва, Комсомольская площадь, 3	Центральный административный округ	ежедневно, круглосуточно	55.776860	37.654701	4.1	неизвестно	NaN	0.0	0.0	0.0	True	200.0	Комсомольская площадь	True	0.0
2353	кофейня one&double	кофейня	Москва, Комсомольская площадь, 5/43	Центральный административный округ	ежедневно, круглосуточно	55.780087	37.654421	4.3	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Комсомольская площадь	True	0.0
2516	cofix	кофейня	Москва, Комсомольская площадь, 3	Центральный административный округ	ежедневно, круглосуточно	55.776955	37.655391	3.8	неизвестно	NaN	0.0	0.0	0.0	True	200.0	Комсомольская площадь	True	0.0
2636	кофе с собой	кофейня	Москва, 5-я Парковая улица, 42	Восточный административный округ	ежедневно, круглосуточно	55.798686	37.788311	4.0	низкие	Цена чашки капучино:100–120 ₽	0.0	110.0	0.0	True	NaN	5-я Парковая улица	True	110.0
3070	wild bean	кофейня	Москва, МКАД, 60-й километр, 4Бс1	Западный административный округ	ежедневно, круглосуточно	55.767519	37.371261	4.3	неизвестно	NaN	0.0	0.0	0.0	True	NaN	МКАД	True	0.0
3081	wild bean	кофейня	Москва, Рублёвское шоссе, 91А	Западный административный округ	ежедневно, круглосуточно	55.741356	37.428633	4.2	низкие	Цена чашки капучино:140–200 ₽	0.0	170.0	0.0	True	NaN	Рублёвское шоссе	True	170.0
3197	шоколадница	кофейня	Москва, площадь Победы, 1, корп. Б	Западный административный округ	ежедневно, круглосуточно	55.735162	37.517861	4.3	средние	Цена чашки капучино:284–299 ₽	0.0	291.0	0.0	True	48.0	площадь Победы	True	291.0
3218	шоколадница	кофейня	Москва, Кутузовский проспект, 45	Западный административный округ	ежедневно, круглосуточно	55.737240	37.524707	4.3	выше среднего	Средний счёт:700–1500 ₽	1100.0	0.0	0.0	True	50.0	Кутузовский проспект	True	1100.0
3358	пирог хауз	кофейня	Москва, Славянский бульвар, 5, корп. 1, стр. 3	Западный административный округ	ежедневно, круглосуточно	55.727345	37.472614	3.8	неизвестно	NaN	0.0	0.0	0.0	True	12.0	Славянский бульвар	True	0.0
3366	you&coffee	кофейня	Москва, 4-я Магистральная улица, 5, стр. 1	Северный административный округ	ежедневно, круглосуточно	55.774512	37.520563	4.7	неизвестно	NaN	0.0	0.0	0.0	True	20.0	4-я Магистральная улица	True	0.0
3509	кофемания	кофейня	Москва, Кудринская площадь, 46/54с1	Центральный административный округ	ежедневно, круглосуточно	55.758268	37.585356	4.4	высокие	Средний счёт:1500–2500 ₽	2000.0	0.0	0.0	True	NaN	Кудринская площадь	True	2000.0
3511	молоко	кофейня	Москва, улица Большая Дмитровка, 7/5с6	Центральный административный округ	ежедневно, круглосуточно	55.761113	37.614631	4.8	высокие	Средний счёт:1500–2000 ₽	1750.0	0.0	0.0	False	NaN	улица Большая Дмитровка	True	1750.0
3685	кофемания	кофейня	Москва, Большая Никитская улица, 13	Центральный административный округ	ежедневно, круглосуточно	55.756507	37.604838	4.5	высокие	Средний счёт:2500 ₽	2500.0	0.0	0.0	True	148.0	Большая Никитская улица	True	2500.0
3688	кофемания	кофейня	Москва, улица Новый Арбат, 19	Центральный административный округ	ежедневно, круглосуточно	55.752136	37.587784	4.5	неизвестно	Средний счёт:от 0 ₽	0.0	0.0	0.0	True	200.0	улица Новый Арбат	True	0.0
3831	кофе хауз	кофейня	Москва, Кудринская площадь, 1	Центральный административный округ	ежедневно, круглосуточно	55.759719	37.580651	4.0	неизвестно	NaN	0.0	0.0	0.0	True	150.0	Кудринская площадь	True	0.0
3987	гоголь-моголь	кофейня	Москва, Гоголевский бульвар, 19	Центральный административный округ	ежедневно, круглосуточно	55.747215	37.599005	4.5	средние	Средний счёт:300–700 ₽	500.0	0.0	0.0	False	NaN	Гоголевский бульвар	True	500.0
4008	кофемания	кофейня	Москва, Кутузовский проспект, 17	Западный административный округ	ежедневно, круглосуточно	55.746580	37.556662	4.4	высокие	Средний счёт:2000–2500 ₽	2250.0	0.0	0.0	True	78.0	Кутузовский проспект	True	2250.0
4038	кофемания	кофейня	Москва, Комсомольский проспект, 21, стр. 2	Центральный административный округ	ежедневно, круглосуточно	55.727810	37.583919	4.4	высокие	Средний счёт:2000 ₽	2000.0	0.0	0.0	True	80.0	Комсомольский проспект	True	2000.0
4088	шоколадница	кофейня	Москва, Зубовский бульвар, 17, стр. 1	Центральный административный округ	ежедневно, круглосуточно	55.736329	37.590706	4.2	средние	Цена чашки капучино:239–274 ₽	0.0	256.0	0.0	True	320.0	Зубовский бульвар	True	256.0
4112	one and double	кофейня	Москва, площадь Киевского Вокзала, 1	Западный административный округ	ежедневно, круглосуточно	55.743048	37.564394	4.1	неизвестно	NaN	0.0	0.0	0.0	False	10.0	площадь Киевского Вокзала	True	0.0
4263	шоколадница	кофейня	Москва, улица Большая Якиманка, 58/2	Центральный административный округ	ежедневно, круглосуточно	55.730621	37.611758	4.2	неизвестно	NaN	0.0	0.0	0.0	True	143.0	улица Большая Якиманка	True	0.0
4292	кофе хауз	кофейня	Москва, Кутузовский проспект, 30	Западный административный округ	ежедневно, круглосуточно	55.740919	37.536004	4.2	средние	Цена чашки капучино:270–280 ₽	0.0	275.0	0.0	True	50.0	Кутузовский проспект	True	275.0
4307	шоколадница	кофейня	Москва, улица Воздвиженка, 9, стр. 2	Центральный административный округ	ежедневно, круглосуточно	55.752559	37.603504	4.1	средние	Цена чашки капучино:239–274 ₽	0.0	256.0	0.0	True	80.0	улица Воздвиженка	True	256.0
4320	шоколадница	кофейня	Москва, Ленинский проспект, 2	Центральный административный округ	ежедневно, круглосуточно	55.729082	37.611497	4.0	неизвестно	NaN	0.0	0.0	0.0	True	144.0	Ленинский проспект	True	0.0
4419	столица	кофейня	Москва, улица Земляной Вал, 2	Центральный административный округ	ежедневно, круглосуточно	55.763066	37.656373	4.9	неизвестно	NaN	0.0	0.0	0.0	False	85.0	улица Земляной Вал	True	0.0
4502	кофемания	кофейня	Москва, улица Покровка, 18/18с3	Центральный административный округ	ежедневно, круглосуточно	55.759220	37.646029	4.4	высокие	Средний счёт:1500–2500 ₽	2000.0	0.0	0.0	True	NaN	улица Покровка	True	2000.0
4653	cofix	кофейня	Москва, Центральный административный округ, Красносельский район, Каланчёвская улица, 11с1	Центральный административный округ	ежедневно, круглосуточно	55.770414	37.651068	4.3	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Каланчёвская улица	True	0.0
4734	лаванда кофе	кофейня	Москва, Нижняя Красносельская улица, 35с48	Центральный административный округ	ежедневно, круглосуточно	55.775128	37.672562	4.3	средние	Цена чашки капучино:189–269 ₽	0.0	229.0	0.0	False	NaN	Нижняя Красносельская улица	True	229.0
4791	шоколадница	кофейня	Москва, улица Маросейка, 3/13с1	Центральный административный округ	ежедневно, круглосуточно	55.757337	37.631427	4.2	средние	Цена чашки капучино:239–274 ₽	0.0	256.0	0.0	True	NaN	улица Маросейка	True	256.0
4916	шоколадница	кофейня	Москва, Нижняя Радищевская улица, 5, стр. 2	Центральный административный округ	ежедневно, круглосуточно	55.741845	37.653285	4.2	неизвестно	NaN	0.0	0.0	0.0	True	100.0	Нижняя Радищевская улица	True	0.0
5056	кофе on	кофейня	Москва, 3-й Кадашёвский переулок, 2	Центральный административный округ	ежедневно, круглосуточно	55.742491	37.624693	4.3	выше среднего	Средний счёт:1000–1500 ₽	1250.0	0.0	0.0	False	72.0	3-й Кадашёвский переулок	True	1250.0
5131	шоколадница	кофейня	Москва, Павелецкая площадь, 2с1	Центральный административный округ	ежедневно, круглосуточно	55.730602	37.635300	4.2	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Павелецкая площадь	True	0.0
5256	one&double	кофейня	Москва, Павелецкая площадь, 1А, стр. 1	Центральный административный округ	ежедневно, круглосуточно	55.729675	37.639367	4.1	низкие	Цена чашки капучино:60–120 ₽	0.0	90.0	0.0	True	150.0	Павелецкая площадь	True	90.0
5304	шоколадница	кофейня	Москва, Зелёный проспект, 22	Восточный административный округ	ежедневно, круглосуточно	55.750752	37.788529	4.2	средние	Средний счёт:300–500 ₽	400.0	0.0	0.0	True	49.0	Зелёный проспект	True	400.0
5339	шоколадница	кофейня	Москва, Свободный проспект, 33	Восточный административный округ	ежедневно, круглосуточно	55.752784	37.819307	4.2	неизвестно	NaN	0.0	0.0	0.0	True	96.0	Свободный проспект	True	0.0
5383	кофе с собой	кофейня	Москва, улица Старый Гай, 8А	Восточный административный округ	ежедневно, круглосуточно	55.740397	37.827414	5.0	неизвестно	NaN	0.0	0.0	0.0	True	24.0	улица Старый Гай	True	0.0
5443	шоколадница	кофейня	Москва, Зелёный проспект, 5/12с2	Восточный административный округ	ежедневно, круглосуточно	55.749856	37.774652	4.1	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Зелёный проспект	True	0.0
5891	foodmoscowcoffee	кофейня	Москва, Ленинский проспект (дублёр)	Юго-Западный административный округ	ежедневно, круглосуточно	55.703333	37.573414	4.1	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Ленинский проспект	True	0.0
6032	шоколадница	кофейня	Москва, улица Дмитрия Ульянова, 24	Юго-Западный административный округ	ежедневно, круглосуточно	55.687178	37.573645	4.2	средние	Цена чашки капучино:239–274 ₽	0.0	256.0	0.0	True	48.0	улица Дмитрия Ульянова	True	256.0
6045	шоколадница	кофейня	Москва, Профсоюзная улица, 19	Юго-Западный административный округ	ежедневно, круглосуточно	55.678665	37.564330	4.3	средние	Цена чашки капучино:239–274 ₽	0.0	256.0	0.0	True	48.0	Профсоюзная улица	True	256.0
6125	шоколадница	кофейня	Москва, Ленинский проспект, 68/10	Юго-Западный административный округ	ежедневно, круглосуточно	55.689117	37.545799	4.2	средние	Цена чашки капучино:239–274 ₽	0.0	256.0	0.0	True	96.0	Ленинский проспект	True	256.0
6558	wild bean cafe	кофейня	Москва, Ленинский проспект, 137Ас1	Юго-Западный административный округ	ежедневно, круглосуточно	55.643246	37.471251	4.5	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Ленинский проспект	True	0.0
6592	the wild bean cafe	кофейня	Москва, проспект Вернадского, 86Д	Западный административный округ	ежедневно, круглосуточно	55.660802	37.480297	4.2	неизвестно	NaN	0.0	0.0	0.0	True	40.0	проспект Вернадского	True	0.0
6890	one more, please	кофейня	Москва, Новочерёмушкинская улица, 58	Юго-Западный административный округ	ежедневно, круглосуточно	55.667990	37.563342	4.3	средние	Цена чашки капучино:200–260 ₽	0.0	230.0	0.0	False	20.0	Новочерёмушкинская улица	True	230.0
7528	wild bean cafe	кофейня	Москва, Люблинская улица, 135/1с1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.668973	37.741351	2.3	неизвестно	NaN	0.0	0.0	0.0	True	NaN	Люблинская улица	True	0.0
7668	wild bean	кофейня	Москва, МКАД, 41-й километр, 18, стр. 1	Юго-Западный административный округ	ежедневно, круглосуточно	55.618872	37.484253	4.3	неизвестно	NaN	0.0	0.0	0.0	True	NaN	МКАД	True	0.0
7923	wild bean	кофейня	Москва, Ясеневая улица, 13	Южный административный округ	ежедневно, круглосуточно	55.602350	37.723018	4.0	неизвестно	NaN	0.0	0.0	0.0	True	0.0	Ясеневая улица	True	0.0

df_cof_24.groupby('district')['name'].count().reset_index().sort_values(by='name', ascending=False)

	district	name
5	Центральный административный округ	26
1	Западный административный округ	9
7	Юго-Западный административный округ	7
0	Восточный административный округ	5
2	Северный административный округ	5
3	Северо-Восточный административный округ	3
4	Северо-Западный административный округ	2
6	Юго-Восточный административный округ	1
8	Южный административный округ	1

df_cof_24.groupby('chain')['name'].count().reset_index().sort_values(by='name', ascending=False)

	chain	name
1	True	50
0	False	9

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

marker_cluster = MarkerCluster().add_to(m)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['price']} {row['rating']} {row['hours']} {row['seats']}", 
    ).add_to(marker_cluster)

df_cof_24.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

df_cof_24['name'].value_counts()

шоколадница           17
кофемания              8
wild bean cafe         6
wild bean              5
кофе хауз              3
cofix                  2
you&coffee             2
кофе с собой           2
молоко                 1
one price coffee       1
кофе on                1
one&double             1
столица                1
one more, please       1
foodmoscowcoffee       1
cinnabon               1
one and double         1
пирог хауз             1
кофейня one&double     1
the wild bean cafe     1
гоголь-моголь          1
лаванда кофе           1
Name: name, dtype: int64

Есть 59 круглосуточных кофеен, почти половина расположена в центральном округе, и всего по одной в юго-восточном и южном округах. Сетевых круглосуточных кофеен зачительно больше чем несетевых, 50 против 9. Больше всего круглосуточных кофеен принадлежит к сети "шоколадница" их 17, есть 12 круглосуточных кофеен "wild bean" и 8 кофеен сети "кофемания".

Какие у кофеен рейтинги?

К содержанию

df_cof['rating'].describe()

count    1413.000000
mean        4.277282
std         0.372250
min         1.400000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64

plt.figure(figsize=(17,7))
sns.histplot(x='rating', data=df_cof, kde=True, line_kws={'lw': 3})
# указываем заголовок графика и подписи осей средствами matplotlib
plt.title('Распределение рейтингов кофеен')
plt.xlabel('рейтинг')
plt.ylabel('Количество заведений')
plt.grid()
plt.show()

plt.figure(figsize=(17, 7))
sns.barplot(data=df_cof, x="chain", y="rating", estimator=np.mean)
plt.ylim(3.8,4.6)
plt.xticks(rotation=45)
plt.title('Распределение средних рейтингов кофеен с разбивкой на сетевые и несетевые')
plt.grid()
plt.xlabel('Средний рейтинг')
plt.ylabel('Категория заведения');

df_cof_max_rat = df_cof[df_cof['rating']==5]
df_cof_max_rat 

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	низкие	Цена чашки капучино:155–185 ₽	0.0	170.0	0.0	False	NaN	улица Маршала Федоренко	False	170.0
324	иду лесом	кофейня	Москва, Светлогорский проезд, 13, стр. 7	Северо-Западный административный округ	ежедневно, 09:00–22:00	55.848242	37.402168	5.0	низкие	Цена чашки капучино:150–180 ₽	0.0	165.0	0.0	False	NaN	Светлогорский проезд	False	165.0
392	кеклик	кофейня	Москва, Смольная улица, 49	Северный административный округ	пн-пт 08:00–20:00; сб,вс 09:00–20:00	55.863665	37.478497	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Смольная улица	False	0.0
610	напитки со всего мира	кофейня	Москва, Головинское шоссе, 5А	Северный административный округ	ежедневно, 10:00–22:00	55.839592	37.490370	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Головинское шоссе	False	0.0
1272	уголок	кофейня	Москва, улица Космонавта Волкова, 6А	Северный административный округ	пн-пт 08:00–21:00; сб,вс 09:00–21:00	55.815341	37.513262	5.0	неизвестно	NaN	0.0	0.0	0.0	True	180.0	улица Космонавта Волкова	False	0.0
1283	pique-nique	кофейня	Москва, 3-я Радиаторская улица, 9	Северный административный округ	ежедневно, 09:00–22:00	55.818584	37.490628	5.0	низкие	Цена чашки капучино:170–220 ₽	0.0	195.0	0.0	False	NaN	3-я Радиаторская улица	False	195.0
1284	стамбул дурум	кофейня	Москва, улица Народного Ополчения, 22	Северо-Западный административный округ	ежедневно, 11:00–23:00	55.778556	37.479573	5.0	средние	Средний счёт:250–300 ₽	275.0	0.0	0.0	False	NaN	улица Народного Ополчения	False	275.0
1296	bread head	кофейня	Москва, бульвар Генерала Карбышева, 15	Северо-Западный административный округ	пн-пт 08:30–21:30; сб,вс 09:00–22:00	55.781952	37.470147	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	бульвар Генерала Карбышева	False	0.0
1307	nero bean coffee roastery	кофейня	Москва, Ленинградский проспект, 80, корп. 3	Северный административный округ	пн-пт 09:00–19:00	55.809720	37.507711	5.0	низкие	Цена чашки капучино:150–250 ₽	0.0	200.0	0.0	False	232.0	Ленинградский проспект	False	200.0
1569	дайтекофе	кофейня	Москва, Ходынский бульвар, 4	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.790835	37.528564	5.0	неизвестно	NaN	0.0	0.0	0.0	False	100.0	Ходынский бульвар	False	0.0
1582	coffee drop	кофейня	Москва, улица Космонавта Волкова, 10	Северный административный округ	пн-пт 09:00–19:00	55.815592	37.515097	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	улица Космонавта Волкова	False	0.0
1622	booblik	кофейня	Москва, Северный административный округ, улица 8 Марта, 8, стр. 3	Северный административный округ	пн-пт 08:00–21:00; сб,вс 09:00–21:00	55.802896	37.555800	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	улица 8 Марта	False	0.0
1623	i-cup	кофейня	Москва, Бутырская улица, 97	Северный административный округ	ежедневно, 07:00–21:00	55.807592	37.579304	5.0	низкие	Цена чашки капучино:60–120 ₽	0.0	90.0	0.0	True	0.0	Бутырская улица	False	90.0
1638	феникс кофе	кофейня	Москва, Вятская улица, 35, стр. 3	Северный административный округ	ежедневно, 09:00–18:00	55.798218	37.581713	5.0	низкие	Цена чашки капучино:120–190 ₽	0.0	155.0	0.0	False	NaN	Вятская улица	False	155.0
1824	саббиа кофе	кофейня	Москва, Ходынский бульвар, 4	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.790709	37.529956	5.0	средние	Цена чашки капучино:195–295 ₽	0.0	245.0	0.0	False	100.0	Ходынский бульвар	False	245.0
2169	лофт кофе деталька	кофейня	Москва, Ярославская улица, 10, корп. 2	Северо-Восточный административный округ	ежедневно, 09:00–23:00	55.820685	37.647890	5.0	неизвестно	NaN	0.0	0.0	0.0	False	95.0	Ярославская улица	False	0.0
2576	кофейная история	кофейня	Москва, Большая Семёновская улица, 10, стр. 13	Восточный административный округ	пн-пт 07:30–21:00; сб,вс 10:00–20:00	55.782477	37.702322	5.0	низкие	Цена чашки капучино:119–149 ₽	0.0	134.0	0.0	False	NaN	Большая Семёновская улица	False	134.0
3152	illy	кофейня	Москва, 3-й Силикатный проезд, 3	Северо-Западный административный округ	пн-пт 08:00–20:00; сб 10:00–18:00	55.769339	37.498209	5.0	низкие	Цена чашки капучино:120–150 ₽	0.0	135.0	0.0	False	NaN	3-й Силикатный проезд	False	135.0
3561	барбариста	кофейня	Москва, 1-й Хорошёвский проезд, 14, корп. 1	Северный административный округ	пн-пт 07:00–22:00; сб,вс 08:00–22:00	55.775065	37.545476	5.0	неизвестно	NaN	0.0	0.0	0.0	True	12.0	1-й Хорошёвский проезд	False	0.0
4408	bodrero	кофейня	Москва, улица Сретенка, 9	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.767602	37.631515	5.0	неизвестно	NaN	0.0	0.0	0.0	True	28.0	улица Сретенка	False	0.0
4411	за думой	кофейня	Москва, Лубянский проезд, 5, стр. 1	Центральный административный округ	пн-пт 10:00–22:00; сб,вс 12:00–22:00	55.758780	37.629375	5.0	неизвестно	NaN	0.0	0.0	0.0	False	80.0	Лубянский проезд	False	0.0
4818	la vie café	кофейня	Москва, Воронцовская улица, 25, стр. 1	Центральный административный округ	пн-сб 08:00–21:00	55.735960	37.660395	5.0	низкие	Цена чашки капучино:140–180 ₽	0.0	160.0	0.0	False	250.0	Воронцовская улица	False	160.0
4900	the coffee club	кофейня	Москва, улица Большая Ордынка, 31/12с1	Центральный административный округ	пн-пт 08:00–21:00; сб,вс 09:00–21:00	55.738255	37.624661	5.0	низкие	Цена чашки капучино:130–180 ₽	0.0	155.0	0.0	False	NaN	улица Большая Ордынка	False	155.0
4904	yumbaker home	кофейня	Москва, Пятницкая улица, 66, стр. 1	Центральный административный округ	ежедневно, 08:00–20:00	55.732256	37.626716	5.0	неизвестно	NaN	0.0	0.0	0.0	False	280.0	Пятницкая улица	False	0.0
5342	big black cup coffee	кофейня	Москва, Красноказарменная улица, 19	Юго-Восточный административный округ	пн-сб 08:30–20:00; вс 09:00–19:00	55.753877	37.710291	5.0	низкие	Цена чашки капучино:90–110 ₽	0.0	100.0	0.0	False	30.0	Красноказарменная улица	False	100.0
5383	кофе с собой	кофейня	Москва, улица Старый Гай, 8А	Восточный административный округ	ежедневно, круглосуточно	55.740397	37.827414	5.0	неизвестно	NaN	0.0	0.0	0.0	True	24.0	улица Старый Гай	True	0.0
5545	youtime	кофейня	Москва, Электродная улица, 2, стр. 32	Восточный административный округ	ежедневно, 08:30–21:00	55.754323	37.752520	5.0	неизвестно	NaN	0.0	0.0	0.0	False	90.0	Электродная улица	False	0.0
5593	бабл дабл	кофейня	Москва, 2-я Кабельная улица, 2, стр. 5	Юго-Восточный административный округ	NaN	55.748072	37.714132	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	2-я Кабельная улица	False	0.0
5594	wild bean cafe	кофейня	Москва, Суздальская улица, 15А	Восточный административный округ	NaN	55.744970	37.864105	5.0	неизвестно	NaN	0.0	0.0	0.0	True	16.0	Суздальская улица	False	0.0
5644	дворик невского	кофейня	Москва, Западный административный округ, район Проспект Вернадского	Западный административный округ	ежедневно, 10:00–20:00	55.679118	37.480924	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	NaN	False	0.0
5910	family bakery	кофейня	Москва, Ленинский проспект, 29, стр. 2	Южный административный округ	пн-пт 08:00–19:00	55.713982	37.591317	5.0	неизвестно	NaN	0.0	0.0	0.0	False	144.0	Ленинский проспект	False	0.0
6559	винотека, булочная, кулинария вино & кухня	кофейня	Москва, Никулинская улица, 8, корп. 3	Западный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.668832	37.467878	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Никулинская улица	False	0.0
6565	маковка	кофейня	Москва, улица Академика Арцимовича, 13	Юго-Западный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–21:00	55.639584	37.513320	5.0	неизвестно	NaN	0.0	0.0	0.0	True	NaN	улица Академика Арцимовича	False	0.0
6629	рынок на ленинском	кофейня	Москва, Ленинский проспект, 108с1	Западный административный округ	ежедневно, 09:00–23:00	55.669789	37.512499	5.0	неизвестно	NaN	0.0	0.0	0.0	False	NaN	Ленинский проспект	False	0.0
7267	выдра кофе	кофейня	Москва, Поречная улица, 10	Юго-Восточный административный округ	ежедневно, 10:00–22:00	55.650092	37.769662	5.0	неизвестно	NaN	0.0	0.0	0.0	False	0.0	Поречная улица	False	0.0
7285	nonamecoffee	кофейня	Москва, Люблинская улица, 153	Юго-Восточный административный округ	пн-пт 09:30–22:00; сб,вс 10:00–22:00	55.658744	37.741979	5.0	неизвестно	NaN	0.0	0.0	0.0	False	50.0	Люблинская улица	False	0.0
8056	подоконник	кофейня	Москва, Варшавское шоссе, 9, стр. 1	Южный административный округ	пн-пт 09:00–17:45	55.698944	37.624265	5.0	низкие	Цена чашки капучино:150–180 ₽	0.0	165.0	0.0	False	180.0	Варшавское шоссе	False	165.0

df_cof_max_rat['chain'].value_counts()

False    30
True      7
Name: chain, dtype: int64

df_cof_max_rat['is_24_7'].value_counts()

False    36
True      1
Name: is_24_7, dtype: int64

Средний рейтинг кофеен 4.3, средний рейтинг несетевых кофеен выше чем у сетевых. Есть 37 кофеен с максимальным рейтингом, из них 30 сетевых, и всего 1 круглосуточная.

Как рейтинги распределяются по районам?

К содержанию

df_cof.groupby('district')['rating'].mean().reset_index().sort_values(by='rating', ascending=False)

	district	rating
5	Центральный административный округ	4.336449
4	Северо-Западный административный округ	4.325806
2	Северный административный округ	4.291710
7	Юго-Западный административный округ	4.283333
0	Восточный административный округ	4.282857
8	Южный административный округ	4.232824
6	Юго-Восточный административный округ	4.225843
3	Северо-Восточный административный округ	4.216981
1	Западный административный округ	4.195333

plt.figure(figsize=(17, 7))
sns.barplot(
    x='district', 
    y='rating', 
    data=df_cof.groupby('district')['rating'].mean().reset_index().sort_values(by='rating', ascending=False)) 
plt.title('Распределение средних рейтингов по округам')
plt.xlabel('Округ')
plt.ylabel('Средний рейтинг')
plt.ylim(4,4.5)
plt.xticks(rotation=45)
plt.grid();

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=df_cof.groupby('district')['rating'].mean().reset_index(),
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Самые высокие рейинги в Центральном и Северо-Западном АО, далее Северный и Юго-Западный. Самые низкие рейтиги в Западном АО.

Сколько в среднем посадочных мест в в кофейнях?

df_cof['seats'].describe()

count     751.000000
mean      111.199734
std       127.837772
min         0.000000
25%        40.000000
50%        80.000000
75%       144.000000
max      1288.000000
Name: seats, dtype: float64

x_values = pd.Series(range(0, len(df_cof)))
fig = px.scatter(df_cof,
                 x=x_values,
                 y='seats', opacity=0.5)

fig.update_layout(title='Точечная диаграмма распределения количества посадочных мест в заведениях',
                   xaxis_title='',
                   yaxis_title='Количество посадочных мест')

fig.show()

plt.figure(figsize=(17,7))
sns.histplot(x='seats', data=df_cof, kde=True, line_kws={'lw': 3})
# указываем заголовок графика и подписи осей средствами matplotlib
plt.title('Распределение количества посадочных мест по заведениям')
plt.xlabel('Количество мест')
plt.ylabel('Количество заведений')
plt.xlim(0,200)
plt.grid()
# отображаем график на экране
plt.show()

Есть две кофейни с числом посадочных мест более 1200, но в основном мест в кофейнях от 40 до 140, медианное значение 80.

На графике пик числа посадочных мест приходится на промежуток 25-50 мест

На какую стоимость чашки капучино стоит ориентироваться при открытии и почему?

К содержанию

df_cof[df_cof['middle_coffee_cup']!=0]['middle_coffee_cup'].describe()

count     521.000000
mean      175.055662
std        89.753009
min        60.000000
25%       124.000000
50%       170.000000
75%       225.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64

df_cof[df_cof['middle_coffee_cup']==1568]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	middle_pint	chain	seats	street	is_24_7	avg
2859	шоколадница	кофейня	Москва, Большая Семёновская улица, 27, корп. 1	Восточный административный округ	ежедневно, 08:00–23:00	55.782268	37.709022	4.2	высокие	Цена чашки капучино:230–2907 ₽	0.0	1568.0	0.0	True	48.0	Большая Семёновская улица	False	1568.0

#df_cof[df_cof['middle_coffee_cup']!=0 & df_cof['middle_coffee_cup']==1568]['middle_coffee_cup'].describe()
df_cof.query('middle_coffee_cup != 0 & middle_coffee_cup !=1568')['middle_coffee_cup'].describe()

count    520.000000
mean     172.376923
std       65.767854
min       60.000000
25%      124.000000
50%      169.500000
75%      225.000000
max      375.000000
Name: middle_coffee_cup, dtype: float64

plt.figure(figsize=(17,7))
sns.histplot(x='middle_coffee_cup', data=df_cof.query('middle_coffee_cup != 0 & middle_coffee_cup !=1568'), kde=True, line_kws={'lw': 3})
# указываем заголовок графика и подписи осей средствами matplotlib
plt.title('Распределение цены чашки каппучино')
plt.xlabel('Цена')
plt.ylabel('Количество заведений')
plt.grid()
plt.xlim(60,300)
plt.show()

sns.stripplot(x='chain', y='middle_coffee_cup', data=df_cof.query('middle_coffee_cup != 0 & middle_coffee_cup !=1568'), alpha=0.7) 
plt.grid(True)

sns.jointplot(x='rating', y='middle_coffee_cup', data=df_cof.query('middle_coffee_cup != 0 & middle_coffee_cup !=1568'), kind='reg') ;

sns.jointplot(
    x='seats', 
    y='middle_coffee_cup', 
    data=df_cof.query('middle_coffee_cup != 0 & middle_coffee_cup !=1568 & seats <= 200'), kind='reg') ;

Средняя и медианная цены чашки каппучино после удаления выброса и нулевых значений почти равны, около 170 рублей, в целом можно ориентироваться на цену ниже этого значения, однако ориентировочная цена чашки каппучино зависит от формата заедения.

С повышением цены немного увеличивается рейтинг, а вот от количества посадочных мест средняя ена не зависит.

У стевых кофеен распространены цены примерно в 60, 100 и 250 рублей. В несетевых цены в основном от 100 до 300 рублей.

Вывод по разделу

К содержанию

Всего по данным датафрейма в Москве 1413 кофеен

Больше всего кофеен в центральном округе (30,3% от общего количества), на втором месте по числу кофеен северный округ (13,7%), на третьем северо-восточный (11,3%). Меньше всего кофеен расположено в юго-восточном и северо-западном округах.

Самые дорогие заведения располагаются в центральном, западном, северо-западном и северном округах. Самые дешевые в юго-восточном.

Есть 59 круглосуточных кофеен, почти половина расположена в центральном округе, и всего по одной в юго-восточном и южном округах. Сетевых круглосуточных кофеен зачительно больше чем несетевых, 50 против 9. Больше всего круглосуточных кофеен принадлежит к сети "шоколадница" их 17, есть 12 круглосуточных кофеен "wild bean" и 8 кофеен сети "кофемания".

Средний рейтинг кофеен 4.3, средний рейтинг несетевых кофеен выше чем у сетевых. Есть 37 кофеен с максимальным рейтингом, из них 30 сетевых, и всего 1 круглосуточная.

Самые высокие рейинги в Центральном и Северо-Западном АО, далее Северный и Юго-Западный. Самые низкие рейтиги в Западном АО.

Средняя и медианная цены чашки каппучино после удаления выброса и нулевых значений почти равны, около 170 рублей, в целом можно ориентироваться на цену ниже этого значения, однако ориентировочная цена чашки каппучино зависит от формата заедения.

С повышением цены немного увеличивается рейтинг, а вот от количества посадочных мест средняя цена не зависит.

Есть две кофейни с числом посадочных мест более 1200, но в основном мест в кофейнях от 40 до 140, медианное значение 80.

На графике пик числа посадочных мест приходится на промежуток 25-50 мест

У сетевых кофеен распространены цены примерно в 60, 100 и 250 рублей. В несетевых цены в основном от 100 до 300 рублей.

В центральном округе очень много кофеен, новое заведение столкнется с большой конкуренцией. Наиболее перспективны для нового заведения будут места вблизи университетов, бизнес-центров, мест отдыха и досуга, в пешей доступности от метро во всех округах кроме центрального, но на небольшом удалении от него. Для юго-востока и юго-запада Москвы подойдет заведение с низкими ценами до 150р, для остальных цены могут быть средними 150-200. Так как многие выбирают заведения по по рейтингам, необходимо стремиться к рейтингу выше 4,7. В Северо-Западном, Северном и Юго-Западном округах средние рейтинги кофеен достаточно высокие, с ними будет сложно конкурировать, а вот в Западном округе средний рейтинг минимальный по Москве.

Презентация

К содержанию

Презентация: https://disk.yandex.ru/i/NWHODnOglN5mhQ

Общий вывод по исследованию

К содержанию

В таблице данные о 8406 заведениях, из которых 5614 уникальных, вероятно остальные заведения сетевые.

Есть пропуски в столбцах hours, priceб avg_bill, middle_avg_bill, middle_coffee_cup и seats.

Полные дубликаты отсутствуют.

Есть 8 категорий заведений(в порядке убывания количества заведений): "кафе", "ресторан", "кофейня", "бар,паб","пиццерия","быстрое питание","столовая" и "булочная".

Существует 1307 разных режимов работы, наиболее популярные (в порядке убывания количества заведений): "ежедневно, 10:00–22:00", "ежедневно, круглосуточно", "ежедневно, 11:00–23:00", "ежедневно, 10:00–23:00", "ежедневно, 12:00–00:00".

Наиболее распространенные рейтинги заведений от 4,1 до 4,5.

Представлены 4 категории цен (в порядке убывания количества заведений): "средние", "выше среднего", "высокие", "низкие".

Есть 5201 несетевое заведение и 3205 сетевое.

Представлены данные по 9 административным округам, больше всего заведений располагается в Центральном, меньше всего в Северо-Западном.

Количество посадочных мест варьируется от 0 до 1288, медианное значение - 75, большая часть заведений вмещает не более 200 человек.

Было создано 4 новых столбца: "midle_pint" со средней стоимостью бокала пива, "street" с названием улицы, где находится заведение, "is_24_7" со значениями true-заведение является круглосуточным, false-заведение не является круглосуточным, и "avg" - единый столбец со средним чеком заведения (содержит средний чек, стоимость чашки кофе или стоимость бокала пива, в зависимости от того какие данные были в исходном файле).

Данные были приведены к оптимальным типам переменных

Данные были проверены на явные дубликаты и на дубликаты по паре значений название+адрес. Явных дубликатов в таблице нет, однако есть часто повтряющиеся названия, причем некоторые из заведений с одинаковыми названиями сетевые, а некоторые нет, так же есть похожие названия которые возможно принадлежат к одной сети (например сеть surf coffee представлена в датафрейме как несетевые кофейни с разными названиями). Поэтому качественно очистить данные от неявных дубликатов невозможно. Если бы в данных присутвовали уникальные идентификаторы сетей и заведений, можно было бы воспользоваться ими, например можно добавить столбец с ИНН организации, тогда можно было бы группировать данные по нему, наиболее точно выбрать сетевые и несетевые заведения и качественно избавиться от неявных дубликатов в названиях.

Есть 536 пропусков в часах работы, их не получится заполнить.

5091 пропуск в категории цен, если для этих строк есть значения диапозона среднего чека (avg_bill), их можно будет заполнить, задав категории цен для каждой категории заведения.

4590 пропусков в значениях диапозона среднего чека можно заполнить, если для этих строк есть категория цен.

5257 пропусков в middle_avg_bill можно заполнить если значение диапозона среднего чека начинается с подстроки "Средний счёт:"

7871 пропуск в middle_coffee_cup можно заполнить если значение диапозона среднего чека начинается с подстроки "Цена чашки капучино"

8274 пропуска в middle_pint можно заполнить если значение диапозона среднего чека начинается с подстроки "Цена бокала пива"

3611 пропусков в количестве посадочных мест заполнить не получится, однако стоит проверить, для каких категорий заведений отсутствуют эти данные.

27 пропусков в street не получится заполнить.

Были выбраны границы ценовых диапазонов для каждой категории и перезаполнены категории цен.

В таблице представлены 8 категорий заведений : "кафе", "ресторан", "кофейня", "бар,паб","пиццерия","быстрое питание","столовая" и "булочная". Кафе и рестораны составляют больше половины всех заведений Москвы. Четверть занимают кофейни и бары, и еще четверть приходитсяна пиццерии, заведения быстрого питания, столовые и булочные. Для визуализации использована интерактивная круговая диаграмма, так как она позволяет наглядно показать доли от общего количества и абсолютное количество заведений.

Заведения Москвы с указанным количеством мест (около трети этих данных пропущено) могут одновременно вместить более полумиллиона человек, это около 4% от населения Москвы на 2022 год. При этом больше половины посадочных мест находятся в кафе и ресторанах. Выпить в барах и пабах Москвы могут одновременно 58 тысяч человек, а поужинать в ресторанах почти 155 тысяч.

Пик количества посадочных мест приходится на 40-60.

Самыми вместительными оказались рестораны, бары и кофейни (окло 80 мест в заведении), меньше всего людей вмещают булочные и пиццерии (около 50)

В несетевых барах и пиццериях медианное количество мест немного больше, а в остальных 6 категориях сетевые заведения более вместительны, особенно это касается кофеен и заведений быстрого питания.

В круглосуточных барах и булочных медианное количество мест немного больше, в кофейнях разницы почти нет, а в остальных 5 категориях некруглосуточные заведения более вместительны, особенно это касается столовых и заведений быстрого питания.

Несетевых заведений на 2000 больше чем несетевых. В процентном соотношении cетевые заведения составляют 38.1% а несетевые 61.9%.

Сетевые булочные, кофейни и пиццерии встречаются немного чаше чем несетевые. Несетевых кафе, ресторанов и баров гораздо больше чем стевых

Более трети самых популярных сетевых заведений занимают кофейни. Самая популярная сеть кофеен "Шоколадница" насчитывает 119 заведений в Москве, далее две пицерии Доминос(76) и До-до(74).

Если считать заведения, а не категории, то кофейни составляют уже 45,6%, рестораны 20,1%, а пиццерии 19,5%.

В среднем в заведениях топ-15 сетей около 60 мест, меньше всего в До-до (40), больше всего в Кофемании(120)

Медианные рейтинги от 4,0 до 4,4. Ниже всего у Яндекс лавки и Сofefest, самые высокие у Братьев Караваевых, Буханки и Кофемании.

Если ценовая категория известна, в 53% случаев она относится к низким, в 27 к средним, и в 7% к категории выше среднего

В таблице представлено 9 административных районов Москвы:Центральный, Северный, Южный, Северо-Восточный, Западный, Восточный, Юго-Восточный, Юго-Западный, Северо-Западный.

В центральном округе заведений больше всего, меньше всего в Северо-Западном.

Во всех округах кроме Центрального самая обширная категория заведений - кафе, в Центральном самая популярная категория - ресторан, далее кафе, кофейни и бары. Кофейни обычно третья по численности группа (исключение - Северный АО, там кофейни на втором месте). Самые редкие заведения во всех районах - столовые и булочные.

В центральном округе на 1000 человек приходится 2,88 заведений и 184.47 посадочных мест, наблюдается высокая концентрация заведений при низкой численности населения. Большое количество заведений объясняется тем, что центральный округ является местом досуга для многих москвичей. Далее идут Северный, Северо-Восточный и Западный АО, там на 1000 человек приходися от 0,61 до 0,76 заведений и от 34 до 53 посадочных мест.

Самое низкое количество заведений на 1000 человек наблюдается в Северо-западном округе (0,4 заведения на 1000 чел), при этом количество посадочных мест там не минимальное, значит в том округе есть несколько крупных заведений. Далее идут Юго-Западный, Юго_восточный и Южный АО, там на 1000 человек приходится 0,5 заведения и от 20 до 35 посадочных мест. Скорее всего это связано с высокой плотностью населения в этих АО.

Распределение заведений по Москве непропорционально плотности населения, вероятно оно связано с уровнем дохода населения, транспортной доступностью, наличием пешеходных улиц, парков, развлекательных и торговых центров, достопримечательностей и других мест досуга.

Самые высокие рейтинги у баров и пабов, медианное значение почти 4,4, а самые низкие у заведений быстрого питания примерно 4,05. При этом у сетевых ресторанов и кофеен рейтинги примерно на 0,1 балла меньше чем у несетевых, а с кафе ситуация обратная: сетевые заведения выигрывают на 0,1 балла по сравнению с несетевыми.

Самые высокие рейтинги в центральном, северном и северо-западном округах, самые низкие в юго-восточном.

Самое большое количество заведение на Проспекте мира, далее Профсоюзная улица, проспект Вернадского, Ленинский проспект, Ленинградский проспект и Дмитровское шосее.

Все улицы попавшие в топ-15 довольно протяженные, частично большон количество заведений объясняется этим.

На этих улицах довольно много крупных заведений, около 25 заведений с числом посадочных мест от 600 до 650, и около 15 заведений с числом посадочных мест от 1200.

Есть 467 улиц, на которых располагается только одно заведение, три четверти от них это кафе, рестораны и кофейни. Это небольшие заведения в них не более 250 мест, в среднем 50. Рейтинги распределены примерно так же как и по Москве в целом. В основном это несетевые заведения, почти все некруглосуточные.

Самые дорогие заведения располагаются в центральном, западном, северо-западном и северном округах. Самые дешевые в юго-восточном

Всего по данным датафрейма в Москве 1413 кофеен

Больше всего кофеен в центральном округе (30,3% от общего количества), на втором месте по числу кофеен северный округ (13,7%), на третьем северо-восточный (11,3%). Меньше всего кофеен расположено в юго-восточном и северо-западном округах.

Самые дорогие заведения располагаются в центральном, западном, северо-западном и северном округах. Самые дешевые в юго-восточном.

Есть 59 круглосуточных кофеен, почти половина расположена в центральном округе, и всего по одной в юго-восточном и южном округах. Сетевых круглосуточных кофеен зачительно больше чем несетевых, 50 против 9. Больше всего круглосуточных кофеен принадлежит к сети "шоколадница" их 17, есть 12 круглосуточных кофеен "wild bean" и 8 кофеен сети "кофемания".

Средний рейтинг кофеен 4.3, средний рейтинг несетевых кофеен выше чем у сетевых. Есть 37 кофеен с максимальным рейтингом, из них 30 сетевых, и всего 1 круглосуточная.

Самые высокие рейинги в Центральном и Северо-Западном АО, далее Северный и Юго-Западный. Самые низкие рейтиги в Западном АО.

Средняя и медианная цены чашки каппучино после удаления выброса и нулевых значений почти равны, около 170 рублей, в целом можно ориентироваться на цену ниже этого значения, однако ориентировочная цена чашки каппучино зависит от формата заедения.

С повышением цены немного увеличивается рейтинг, а вот от количества посадочных мест средняя цена не зависит.

Есть две кофейни с числом посадочных мест более 1200, но в основном мест в кофейнях от 40 до 140, медианное значение 80.

На графике пик числа посадочных мест приходится на промежуток 25-50 мест

У сетевых кофеен распространены цены примерно в 60, 100 и 250 рублей. В несетевых цены в основном от 100 до 300 рублей.

В центральном округе очень много кофеен, новое заведение столкнется с большой конкуренцией. Наиболее перспективны для нового заведения будут места вблизи университетов, бизнес-центров, мест отдыха и досуга, в пешей доступности от метро во всех округах кроме центрального, но на небольшом удалении от него. Для юго-востока и юго-запада Москвы подойдет заведение с низкими ценами до 150р, для остальных цены могут быть средними 150-200. Так как многие выбирают заведения по по рейтингам, необходимо стремиться к рейтингу выше 4,7. В Северо-Западном, Северном и Юго-Западном округах средние рейтинги кофеен достаточно высокие, с ними будет сложно конкурировать, а вот в Западном округе средний рейтинг минимальный по Москве.